随着科技的发展进步和人们生活水平的提高,图像作为信息的重要载体,已经成为现实应用中重要的组成部分,互联网上时刻都会产生海量的图像数据。清晰完整的图像既可以提升人的主观视觉感受,也可以为自动驾驶、公共场所监拍等实际应用完成社会职能提供帮助。遭受恶劣天气（如雨、雾）干扰影响所拍摄的图像会出现细节丢失、颜色失真等质量退化问题。这些退化现象也会破坏图像的原始语义信息,进而对后续的一些如图像分类、目标检测等任务造成错误分类、识别不准等影响。因此,如何从图像中将退化干扰与背景图像更好地解耦分离,对恢复图像中有效的视觉信息与细节内容至关重要。近年来,许多基于深度学习的方法被提出,以解决包括图像去雨、图像去雾在内的图像复原问题。现有方法在某些复杂场景中仍会存在过度涂抹或去除不足等现象,而一些去除效果相对较好的方法也存在处理效率低下的问题。本文使用基于U-Net的编码器-解码器结构,结合当前深度学习中已经在视觉任务中表现不俗的Transformer设计范式,与在图像处理任务中已经具备稳定性能的卷积神经网络进行图像去雨雾模型的设计。同时,由于直接使用基于Transformer设计的编码器存在计算复杂度与输入分辨率呈二次方比例的高增长问题,所以本文对Transformer中的自注意力机制进行改进以提高计算效率。本文将使用跨通道交互自注意力机制的Transformer模块,插入在由卷积组成的编码器-解码器框架上,搭建了CNN-Transformer混合的图像去雨雾网络模型。该模型分别在图像去雨和图像去雾的相关数据集上达到了与目前最先进的方法相当的性能。当前,在单一退化复原任务上许多相关的工作都达到了不错的性能。但是,当这些模型面对不同类型的退化现象时性能会出现明显的下降。为了提升模型的泛化能力,本文结合对比学习的思想设计了退化感知的辅助编码器模块。该对比学习编码器模块的作用在于,面对处于雨雾两种退化状态下的图像时,将模型对两种退化在特征空间所学习的分布进一步拉近,进而更好地同时对雨雾图像进行还原,面对真实场景需求时更加灵活实用。将其结合到本文的图像复原网络模型后,通过实验验证,在同时输入有雨图像和有雾图像的场景下,经过对比学习预训练后的改进模型可以得到相比原始模型更好的效果。