随着深度学习的兴起，从海量视频、图像中提取交通信息成为了研究的热门方向。在交通图像采集的过程中，天气条件会对采集到的图像质量产生影响，例如降雨和雾天这两种天气会照成抓拍图像的质量下降。因此雨雾图像的增强方法研究有着现实的需求。雨雾天气下的图像增强是个不适定问题。该问题的解决方法通常可分为基于雨雾图像光学模型先验知识的传统的图像增强方法与基于深度学习的雨雾图像增强方法。本文采用了深度学习中的生成对抗网络模型对雨雾图像进行增强，主要研究内容如下：
　　从雨雾图像成像的角度出发，对雨雾图像的光学模型进行分析。针对雨雾图像质量下降的三种不同原因，分别对其建模。通过结合三种情况的模型，得出雨雾条件下图像质量降低光学模型的数学表达。
　　在研究图像处理方面常用的神经网络的基础上，构建生成对抗网络框架。通过研究卷积神经网络、残差神经网络、生成对抗网络，提出了一种包含可扩展辅助生成网络的雨雾图像增强的生成对抗网络模型架构，并定义了目标损失函数，引入了周期一致性损失和周期感知一致性损失。在扩展辅助生成网络的基础上，通过增加了光学模型约束损失，显著改善了所提网络模型的性能。
　　结合实际数据，对包含可扩展辅助生成网络的对抗生成网络进行验证。通过选取雨雾增强常用的公开数据集对网络进行训练、检验，并采用实际采集的现场交通场景图片作为测试集，对网络模型进行评估。经过PSNR和SSIM等指标计算，本文提出的基于生成对抗网络雨雾图像增强模型的图像性能良好，满足了预期要求。