随着科技的发展,很多领域的应用对图像的要求越来越高,主要表现在清晰度,色彩,图片信息等。由于在特殊天气下,图像很多关键信息很难获取到,限制了进一步的图像应用。因此如何有效的对初始图像进行预处理,是一个具有研究价值的课题。本次研究是针对单幅图像的去雾算法,在基于大气散射模型下,通过改进透射率的计算方法和自适应的散射系数,在现存的去雾算法基础上,进一步优化了去雾效果。首先,本文从原理上分析了大气散射模型的由来,进而分析衰减系数对去雾图像的影响,实验结果现实,衰减系数在一定范围的波动会影响去雾图像的效果,主要表现在图像的对比度变化。实验结果显示,通过线性的变化衰减系数,最终恢复出来的无雾图像的对比度是存在一个极值的,而且往往主观上的最佳去雾图像也在该极值处。在传统算法的图像去雾中,恢复出来的图像不可避免的会有对比度的缺失。在光线低和部分环境下,也会拍摄到特征缺失的图像。图像增强算法就是针对图像特征缺失的一般操作。本文提出了一种基于大气散射模型下的去雾图像对比度自适应调节的算法。通过颜色衰减先验知识估算出有雾图像的深度图,并通过双层引导滤波对恢复得到的透射图进行滤波操作,去除无雾图像的噪声,保留图像的边缘细节,同时结合自适应的衰减系数和大气光照值,用来提升去雾后的图像的品质。实验显示,我们提出的新算法能有效的增强图像的对比度。我们将提出的图像增强算法与车牌检测与识别系统结合起来。首先,对输入模糊图像进行图像去雾和增强处理,得到较清晰的无雾图像,让车牌细节显露出来,输入到车牌检测与识别网络中。本文提出的车牌检测与识别网络,是基于深度学习知识,结合了卷积神经网络,级联神经网络,深度残差网络,一阶全卷积网络和循环神经网络的优点,将模型的训练成本和准确率提升至最优,实验结果显示,该模型能从输入含车牌的模糊图像到输出车牌的识别结果,实现了端到端的车牌识别工作,识别精度最高可达99.3%,平均识别速度可达50FPS。