图像作为记录环境的重要载体,在各种计算机视觉任务中起着至关重要的作用。在图像识别任务中,图像记录各种类型的物体。在人脸识别任务中,图像用于记录每个人的人脸。在监控任务中,图像用于记录各种复杂的情景,用于分析某些时刻发生的事情。但是由于现实生活中环境比较复杂,存在雾天、雨天等情况,在这些环境下图像质量退化,有时甚至难以辨别图像中的景物,导致图像分析系统失效,失去了监控和记录环境的作用。而且雾天还影响车载影像系统,给人们的生活留下重大的安全隐患。图像去雾的目的在于消除雾等不利因素的影响并提高图像的质量,因此图像去雾技术有利于提高现代计算机视觉系统的安全性和可靠性。本文主要从大气散射模型和深度学习两个角度对单幅图像去雾进行研究。本文首先对雾形成的机理进行深入分析得到大气散射模型中的关键因素:大气光和透射率图。其次分析应用深度学习进行去雾的关键因素:数据集、学习方式、网络结构、损失函数和问题简化。本文将这些关键因素结合,对去雾算法进行深入研究。本文的主要内容如下:首先,传统算法估计透射率图时使用的特征较为单一,导致此类方法无法适应复杂的现实场景。而前期基于深度学习方法由于模型较为简单,无法准确估计透射率图。本文针对传统算法和深度学习在估计透射率图方面的不足,对去雾问题进行简化,使得简单的模型也能够抽取多种特征用于准确估计透射率图。现有合成有雾图像由于使用的图像块较小而无法提供丰富的上下文信息导致模型无法适应现实场景。针对现有合成数据集方法的不足,本文使用较大的图像块使合成的有雾图像可以包含更多的上下文信息。通过以上两个方面的改进,本文所提的基于联合学习的去雾算法提高了去雾性能。其次,现有端到端的去雾算法由于模型的感受野较小导致模型无法考虑图像的上下文信息,最终导致去雾不彻底、色差等问题。针对上述问题,本文应用空洞卷积增大模型的感受野,使模型能够充分考虑图像信息和雾的分布情况。本文从两个方面应用空洞卷积提高算法的去雾性能。第一,本文结合对抗生成网络、空洞卷积、感知损失函数和梯度损失函数提出一种端到端的去雾算法。该算法首先应用空洞卷积构建生成网络,然后应用判别器和梯度损失函数对去雾结果进行优化;第二,本文应用空洞卷积和重构方式提出一个端到端的去雾算法。该算法首先应用高级特征恢复一个粗略的去雾结果,然后应用浅层特征恢复图像的细节信息。上述两种去雾算法能够很好的恢复图像的结构和色彩信息。虽然前述方法取得了不错的去雾结果,然而这些方法忽略了合成有雾图像和自然有雾图像的区别。本文分析了现有准备数据集方法中存在的一些缺陷并提出一种新的端到端的去雾算法。根据在清晰图像中的相似像素具有相似特征的特点,本文提出了一个非局部损失函数和一个新的网络结构来提高去雾算法的性能。所提算法能够综合考虑清晰图像像素间的相似性并将之迁移到特征空间中,使得在清晰图像中相似的像素在特征空间中具有类似的相似性。本文还深入分析了现有准备数据集方法中的一些缺点,这些缺点导致合成的有雾图像和真实有雾图像存在较大的差异,因而导致在这些数据集上面训练的模型在真实有雾图像上存在泛化问题。为了克服已有的生成训练集方法中存在的缺点,本文提出基于室外清晰图像和深度学习合成有雾图像。该方法合成的数据集更加接近于自然有雾图像,虽然在深度跳跃区域存与真实有雾图像存在差异,但是可以通过本文所提算法和网络结构减少这些差异从而提高算法去雾性能。