在雾、霾等恶劣天气下的成像过程中,相机传感器和视觉应用系统受到空气中悬浮大气粒子的干扰,造成拍摄的图像质量下降,产生模糊不清、颜色衰减、对比度下降、细节丢失等现象。这对智能交通、监控系统和目标识别等户外图像处理和计算机视觉应用带来了不便,如何增强雾天低质图像的清晰度与能见度,减弱这类恶劣天气对户外成像系统的不利影响,已经成为图像增强领域的研究热点。本文主要研究内容如下:（1）研究了雾天低质图像的退化机理。本文首先介绍了雾天图像退化的原因,并对955对雾天/清晰图像进行统计分析,总结了雾天低质图像的共性特点。根据大气散射模型,本文详细探讨了雾天低质图像的退化过程,并分析出基于物理模型的雾天图像复原方法的关键在于尽可能精确地估计透射率。（2）提出了一种基于多级细节增强及饱和度调整的图像去雾算法,用来解决一般去雾算法带来细节丢失和颜色失真的问题。首先,本文根据色相直方图分布先验判断是否需要进行颜色校正预处理,然后采用多尺度导向滤波对雾天图像亮度通道进行分解,分层提高对比度,并自适应调整饱和度分量。大量实验结果表明,该算法使得去雾结果在自然保持度和细节增强之间取得了平衡,不会带来光晕伪影和颜色衰减。（3）研究了基于暗通道先验和全变分模型的去雾方法。根据图像透射率具有局部平滑、分段连续的先验分布信息,本文分别建立了三个包含不同正则约束项的全变分模型实现尽可能精确地估计透射率,并采用四叉树搜索策略来估计全局大气光,从而近似求解出无雾图像。实验结果表明,本文提出的一种基于L2范数约束的加权全变分去雾算法在对雾天图像前景区域增强的同时,不会造成背景天空区域的过增强,改善了基于暗通道先验去雾算法在天空区域的固有不足。（4）提出了一种基于特征注意力卷积神经网络的去雾算法。针对现有的去雾卷积网络规模过大容易产生过拟合的问题,本文研究了卷积注意力模块,对深度特征进行自适应选择,结合残差结构,构建了一个端到端的轻量去雾网络,使得网络模型在真实雾天数据集和合成雾天数据集都能恢复出相对清晰的图像,具有良好的鲁棒性。