沙尘天气是世界范围内常见的一种恶劣天气,由于空气中的沙尘颗粒与光线发生吸收和散射等光学作用,造成获取的图像发生严重的色偏、对比度降低、细节缺失。这严重阻碍了户外依赖于计算机视觉系统的正常运转,例如城市安全监控系统和交通道路监控系统。沙尘退化图像的清晰化技术作为图像视频处理和计算机视觉领域的重要分支,该研究课题具有广阔的应用前景和重要的现实意义。在此背景下,本文针对退化的沙尘图像进行增强研究,具体的工作和成果贡献如下:（1）本文提出了一种基于颜色校正和无监督学习网络的沙尘图像增强方法。首先,通过颜色补偿和根式直方图均衡化进行颜色校正,恢复图像的自然颜色,缓解细节增强的网络的压力。其次,引入具有精确初始化的大气光、传输图和清晰图像估计层三个子网络,实现去雾并提升对比度。最后,根据大气散射模型和无监督学习网络重建出清晰的图像。（2）本文提出了另一种基于Transformer的两阶段网络来实现沙尘图像增强。首先,第一阶段采用Multi-scale网络从全局来消除沙尘图像的色偏,第二阶段采用Multi-patch网络从局部来恢复更多的细节信息。其次,我们提出了 Ro-Uformer,作为整个两阶段网络的核心单元,该结构由旋转位置编码与U形Transformer所构成。最后,通过成对沙尘图像数据集在有监督的网络下进行训练学习,并最终获得清晰自然的增强图像。（3）本文构建了一个真实沙尘图像增强数据集。首先,该数据集包含1400张三种退化程度不同的真实沙尘图像,包括浮尘图像,扬沙图像以及沙尘暴图像,极大丰富了现有的沙尘图像数据集。其次,该数据集的提出,不仅可以对不同方法的性能进行基准测试,还可以为训练沙尘图像增强网络提供了可能。最后,为下游任务包括沙尘环境下的车辆检测、道路规划、行人追踪等实际应用,起到了铺垫和助推作用。