图像去雾旨在去除场景雾霾的同时,保留图像内容,提高图像物体的可见性。图像去雾是图像增强中的一项任务,往往作为其他高级图像视觉任务的预处理步骤,并且在自动驾驶,物体检测等领域有着重要的实际应用价值。在过去的研究中,图像去雾算法发展迅速,获得了良好的去雾结果,但同时也面临一系列问题。本文将针对这些问题展开深入研究,分为以下三个方面:（1）针对现有的雾霾数据集存在基准图像不清晰、残留雾霾、含有噪声,合成图像不真实、场景不多元等问题,本文设计了一种面向真实图像去雾的雾霾图像数据集合成方法。该方法仅需无雾图像,不依赖图像深度信息,即可合成对应的雾霾图像。该方法首先提出了四条无雾图像的筛选标准,从根本上解决了基准图像所存在的各类问题。其次依据物体边缘,使用基于纹理的超像素分割方法以及合并策略进行图像分割。随后该方法根据设定好的传输图取值范围,依据分割结果得到相应的传输图。接着以无雾图像作为引导图对传输图进行引导滤波。最后选择合适的偏色大气光值,并根据物理模型合成雾霾图像。实验表明,本文的合成数据集的训练结果体现了更强的泛化能力,在真实雾霾图像上得到了更好的测试结果。同时与现有雾霾数据集进行对比,详细说明了现有数据集的缺点会产生哪些问题。（2）现有的基于深度学习的图像去雾算法可以分为基于大气散射模型和基于端到端的去雾算法。该两种去雾策略具备各自的优势,能够适应不同的情况进行去雾。本文针对这两种去雾策略的特点,设计了图像增强与复原相结合的融合去雾卷积网络,其包含增强子网,复原子网,融合子网。增强子网对输入的雾霾图像进行端到端的增强。复原子网估计输入雾霾图像的大气光图和传输图,结合物理模型得到复原结果。融合子网的输入为增强结果和复原结果,输出为增强结果和复原结果相应的权重图。最后进行加权融合得到融合去雾结果。这三个子网共用了基础网络,并针对子网的不同任务进行了修改。实验表明,该方法优于端到端或物理模型的去雾方法,且去雾结果更稳定。（3）针对现有去雾算法出现雾霾残留的问题,本文提出了基于权重共享的自适应迭代去雾网络。本方法既能够保持无雾部分不被过度增强,也能够对雾霾部分进行去雾,从而确保了良好的去雾结果。本方法采用了端到端的网络结构,由编码器模块和解码器模块组成。在迭代过程中,去雾网络的输入为上一轮去雾结果和原始有雾图像。原始有雾图像提供做参照,防止信息丢失。在迭代中,本文算法使用完全相同的网络结构和参数,降低了网络参数量。为了提高迭代结果的稳定性,本文算法添加了渐进提升损失。由于本文并未设定迭代的具体轮次,因此还设计了迭代停止策略,显著提高了算法效率。实验表明,该方法相较于其他结果能够对雾霾进行较为彻底的去除,并压缩了模型大小。