在有雾或霾的场景中,光学传感器捕获的图像会受到大气颗粒的散射作用,导致图像的细节缺失、色彩暗淡、亮度降低,图像对比度和色彩保真度都会降低,这直接影响人们对图像的视觉感知,也影响计算机视觉系统的性能,如严重降低监视器对目标图像的识别和分类的准确性。因此,关于图像去雾的研究是一项极具意义的工作。从早期的暗原色先验去雾算法,到近期基于深度学习的图像去雾算法,去雾效果在含天空的图像中都不甚理想。而雾图几乎都是在户外获取的,户外图像经常都含有天空,因此必须给出针对天空区域的图像去雾算法。本文提出两种基于暗原色先验原理,并能够处理含天空区域图像的去雾算法,相关工作如下:1.提出一种新的天空分割算法,能够准确分割出天空和非天空区域(包括网格状的稀疏区域的天空),其次在得到的准确天空区域中求取大气光值,分别对天空区域和非天空区域求取不同的透射率,并用引导滤波细化,改进的自适应色调映射增强复原图像视觉效果。2.提出一种基于Fisher准则函数的天空识别算法,获得的自适应阈值将分割出图像中天空和非天空区域,对天空和非天空计算不同的透射率,再利用大气散射模型复原得到去雾图像。为了使去雾图像具有更加自然的色彩,本文还对饱和度分量设计了调整公式,并构造了改进的伽马校正算法来提高图像对比度。图像去雾和图像超分辨率都是计算机视觉中重要的图像任务,所以本文还对图像超分辨率算法进行的研究。已有的深度卷积神经网络参数和整体计算量往往十分巨大,设计一个轻量级图像超分辨率网络以适应有限的硬件水平已经成为大势所趋。本文提出两条适用于图像超分辨率网络的轻量级准则;设计了一个参数量较少并含有深层聚合结构的图像超分辨率网络。