近几年雾霾天气频繁出现,给人们出行造成了极大的不便。雾霾天气下的场景能见度降低,进而导致一些成像设备获取的图像场景不清晰,不利于后续的场景内容分析。因此,图像去雾成为一个重要的研究方向,其旨在将有雾场景图像还原成无雾场景图像。本文围绕图像去雾这个主题,主要提出了三种基于深度学习的图像去雾算法。本文的主要研究内容如下:（1）提出了一种基于编码-解码结构的图像去雾算法。此算法首先使用三种不同卷积核大小的空洞卷积提取图像特征,通过扩大感受野来获取更多的像素点近邻信息;然后,引入残差块来防止因网络加深导致的梯度消失和网络性能下降;接着,将上采样每层所得特征图与下采样获得的相应特征图进行拼接,融合图像特征来得到残差图;最后,将学习到的残差图与输入的有雾图像相加得到图像去雾结果。实验结果表明,此算法能提高去雾性能,让去雾后图像场景更清晰。（2）提出了一种基于生成式对抗网络的图像去雾算法。此算法首先在每层下采样时提取粗略特征图,同时对与特征图同等大小的输入图像进行特征提取以提取精细特征图,融合粗略特征图和精细特征图以获得更丰富的图像信息;然后,将融合后的特征图放入由Res Ne Xt构建块组成的网络模块进行学习;接着,将上采样提取的特征图与Res Ne Xt模块学习到的特征图进行拼接,融合特征图来得到残差图;最后,将网络学习到的残差图与输入的有雾图像相加得到图像去雾结果。实验结果表明,此算法的去雾结果更加清晰和自然。（3）提出了一种基于U-Net的残差网络图像去雾算法。此算法首先使用混合卷积进行图像特征的提取,即结合标准卷积和空洞卷积来扩大感受野以获取更丰富的图像特征;然后,嵌入残差块来防止因梯度消失引起的网络性能下降;接着,在上采样时,将每层获得的特征图与下采样相应层获得的特征图进行拼接以获得更多的图像特征,学习到残差图;最后,将残差图与输入的有雾图像相加得到图像去雾结果。此外,考虑到有雾图像和无雾度图像在HSV颜色空间的饱和度和亮度分量的绝对差值之间的明显差异后,在损失函数中增加了相应的损失项,以更好地指导网络训练。实验结果表明,此算法能明显提高图像去雾的性能。