随着智能化、信息化的普及,图像作为最直观反映实时信息的媒介,在我们的生活中扮演着越来越重要的角色,但由于实际场景中频繁发生的大雾天气,严重影响了智能设备采集图像的清晰度,从而阻碍后续高级视觉任务的有效进行。因此,人们开始不断致力于研究图像去雾技术来改善模糊图像质量。本文基于卷积神经网络结构,针对国内外现有图像去雾方法存在对模糊图像纹理细节还原精度不足,网络信息过载,以及单图像去雾效率偏低、缺少对真实有雾图像的有效使用,模型鲁棒性不足的问题进行分析并加以改进,主要工作如下:（1）提出一种均衡信息融合网络（Balance Information Fusion Network,BIFN）,来重建清晰图像。BIFN由三个代表目标图像不同层次的背景、目标及语义特征的任务融合而成,其中每个任务利用均衡卷积感知模块和密集残差模块分别进行全局信息感知和特征强化提取,各层特征融合模块交叉结合高低层特征以实现信息交互。另外,我们的模型训练在监督策略上采用L1平滑损失和感知损失作为联合损失函数,保证恢复的图像在视觉感官上与原始清晰图像接近。实验证明我们提出的均衡信息融合网络在极大程度上改善了模糊图像质量,提高了单图像去雾效率。（2）提出了一种融合有监督和无监督训练方式的半监督双分支网络（Semi Supervised Double Branch Network,SBDNet）。其中监督部分使用上一章提到的均衡信息融合网络BIFN,通过利用对比学习构建正负图像样本来约束模型训练,以加强模型泛化能力。在以生成对抗网络为基础架构无监督分支中,将真实有雾图像引入模型训练中,判别器使用马尔科夫判别器,生成器则采用基于U-Net架构密集残差注意力网络,通过判别器的与生成器的持续对抗,使生成网络逼近真实图片的分布规律。实验证明了SDBNet在合成数据集与真实世界数据集上均有不错的去雾效果。（3）针对图像去雾技术可以辅助提高机场运行安全性,我们对X机场进行实地考察,并将智能视觉设备采集到的有雾图像,经过数据预处理构造为一个机场带雾图像样本。最后将上文提出的两个图像去雾模型应用于机场数据集展开实验探究,结果证明SDBNet比起BIFN在机场雾天环境下去雾效果更佳,但单图像去雾效率较低。