雾、霾等恶劣天气条件下采集到的图像往往存在对比度衰减、颜色偏差、成像模糊、信息损失等问题,严重影响户外场景监测、视频监控、导航跟踪、目标检测等计算机视觉任务。对有雾降质图像进行恢复和增强以提高场景能见度,复原图像原有细节,对于改善和增强视觉任务在户外场景下的应用性能具有重要意义。传统去雾方法基于统计假设加以先验条件的约束,在现实场景中往往难以泛化。基于深度学习的去雾算法通常依赖大量成对的有雾/无雾图像,在训练过程中需要提供匹配的清晰图像的知识指导。自然场景下配对的有雾和干净图像获取费时耗力,作为替代,基于清晰图像进行手工加雾得到的合成成对数据集被广泛应用于深度模型训练中。但是合成雾图和自然雾图存在域差异,基于合成数据得到的去雾模型在处理真实雾图时去雾效果欠佳。为了摆脱对成对数据的依赖以及缩小合成数据与真实数据的域差距,有效提高欠监督条件下的图像去雾性能,本文进行下述三个方面的研究:第一,提出一个雾先验辅助的不成对图像去雾模型。为了摆脱当前去雾算法对成对雾数据集的依赖,本文探讨面向不成对训练数据的去雾方法。所提方法采用基于循环一致对抗网络的框架,构建两个生成器分别完成从有雾图像到清晰图像的转换以及从清晰图像到有雾图像的重建。为了更有效地指导网络学习和提高去雾性能,以有雾图像的先验图作为辅助信息,与输入图像一起送入网络学习和训练。针对去雾图和先验图各自采用多尺度判别器进行判别学习,融合多尺度感受野以及综合生成图像和先验图像两方面判别信息。实验表明,所设计的不成对图像去雾模型相对于当前流行的无监督去雾方法取得了更优的去雾效果。第二,提出一个基于一致性训练的半监督去雾模型。不成对去雾摆脱了去雾模型对成对监督的依赖,但是网络对无标签数据的学习能力不足导致仅使用不成对图像的去雾网络性能受限。本文进一步设计基于一致性训练的半监督去雾模型,综合有标签和无标签数据的优势,以减弱对成对数据监督的依赖并增强模型对不同域数据的适应性。通过最小化去雾图像和清晰图像的L1损失来约束有监督数据的训练,结合暗通道损失和总变分损失来优化无监督域的去雾结果,同时使用高斯混合模型来模拟无监督域的残差分布,约束有监督和无监督域残差分布的相似性,以拉近合成雾与真实雾的域差距。另外,所提方法设计了多个施加不同扰动的辅助解码器来进行一致性训练,有效提高了无监督分支的性能。提出的半监督去雾模型在多个数据集上去雾效果显著,能够恢复出更好的色彩、对比度和细节。第三,提出一种基于域自适应的图像去雾方法。基于一致性训练的半监督去雾框架利用有监督的合成数据和无监督的真实数据来训练网络,虽然通过对真实数据的学习增强了模型处理不同场景的适应性,但是仅使用真实有雾图像并不能真正解决域迁移问题。本文进一步引入域自适应机制用于图像去雾,以减少合成有雾图像与真实有雾图像之间的域差异,从而增强模型对不同场景特别是真实场景中的雾的容忍度,提升模型的去雾能力和泛化性。此外,引入CORAL损失来度量合成域和真实域之间的特征距离,在半监督去雾网络的基础上,借助域自适应特征对齐机制,减少异域数据的差异,弥补在合成域训练的去雾模型迁移到真实域时引起的性能下降。实验表明,所提方法在多个合成测试集和真实图像上均有显著的去雾效果。