为了克服雾、雨天气造成图像质量变差,摄像头成像精度降低导致后续目标跟踪、识别效果变差甚至无法完成工作任务的影响,必须对雾、雨天气下拍摄到的低质天气图像进行增强处理。本文针对交通场景下拍摄到的雾、雨图片降质问题,开展了面向动态场景的低质视频图像增强算法研究,以解决传统低质天气图像分类方法无法对任意场景图像分类、已有去雾算法对不符合假设的图像处理结果较差、以往去雨算法忽视雨中含有水汽及真实雨图复杂等问题。本文所研究的主要内容有以下几个方面:（1）针对传统低质天气图像分类方法无法实现对任意场景图像进行分类的问题,提出一种基于通道注意力与空间注意力机制融合的基于双注意力机制的低质天气图像分类算法。首先,利用单独的注意力模块实现对低质图像中天气特征的提取;其次通过结合通道-空间双注意力机制之间互补的特点,在不同通道之间互相补充信息以提高系统识别率;最后在双注意力的基础上添加二阶特征网络,通过缩减最大的样本值特征,拉伸最小的样本值特征,进一步改善整个连接层的精度以实现任意场景下天气图像的分类。试验结果证明,文中提出的天气分类方法其准确率相对于现有方法有较大提高,具有较强的可扩展性和鲁棒性。（2）针对真实雾图中不同区域雾浓度不同以及已有去雾算法对于不符合假设和先验知识的雾图增强效果较差等问题,提出基于雾线先验及注意力融合的雾天图像增强算法。首先,利用暗通道先验知识求取初始透射率图,但由于局部滤波的缘故导致出现边缘效应;其次结合雾线先验和特征选择注意力融合模块实现对透射率图的优化,既克服了利用暗通道先验知识时产生的边缘效应,也克服了单独的雾线先验获取时出现细节模糊和色彩失真情况;最后采用分割法求取大气光值克服了以往交互式方法中出现的偏色现象,增强了整体去雾效果。试验结果表明,与其他算法相比较,本文算法去雾增强后色彩更精准,帧与帧之间的过度更自然,并较好的保留了图像边缘细节。（3）针对真实雨图背景繁杂及传统去雨工作中往往忽视雨时常伴随雾气或水汽等问题,本文提出基于雨滴检测与雨滴消除的雨天图像增强算法。通过构造雨雾混合的雨图模型,从雨滴检测与雨滴消除两个角度进行研究。首先,利用雨像素与非雨像素的波动差异特性结合K-means聚类算法进行阈值判断实现初分类;其次,为了避免误检和漏检情况的出现,结合雨像素与非雨像素的色彩差异特性进行二次阈值判断得到优化分类后的雨与背景信息;最后,为了弥补雨图增强过程中背景信息的损失,提出细节补充信息蒸馏块以逐步微调方式实现对特征信息的调整,在不损坏背景信息的情况下达到去雨的目的。实验证明,本文所述雨图增强算法无论是从主观视觉效果还是客观评价指标均显著优于其它去雨算法。