随着人工智能技术和数据科学的快速发展,近年来越来越多的基于计算机视觉的任务如交通监控、天网安防、目标检测等都对输入图像的清晰度有着更高的要求。然而受大气中悬浮颗粒、汽水等影响,摄像头采集到的的图像通常会因为雾霾变得模糊、能见度下降或者改变颜色,低质量的图片严重地降低了各种智能信息处理系统的性能。因此,对雾霾图像进行去雾处理在计算机视觉领域具有非常重要的意义。但是图像去雾是计算机视觉中的不确定问题,现有的基于先验知识的的去雾算法性能强烈的依赖于图像先验的准确性,而目前基于深度学习的去雾算法性能也不够稳定。本文根据雾霾成像模型,对单幅图像的去雾算法进行研究,针对目前不同类别的去雾算法存在的局限性,提出了一种新的端到端单幅图像去雾算法,该算法可以同时学习透射图,大气光值和去雾。本文提出了一个两阶段的网络:一个基于雾霾成像模型的联合去雾网络,另一个是基于条件生成对抗网络的精修网络。通过将雾霾成像模型直接嵌入到网络中来实现第一阶段的学习,从而确保所提出的方法严格遵循物理的散射模型进行除雾。对于第二阶段,本文提出了一个条件生成对抗网络（cGAN,Conditional Generative Adversarial Networks）来恢复第一阶段未能捕捉到的背景细节,并修正该阶段引入的图像伪影。受能够最大化不同层次特征信息流的密集网络的启发,提出了一种新颖的残差密集网络（RDN,Residual Dense Network）,用于从第一阶段的输出结果中恢复真实清晰的图像。为了得到更好的结果,进一步修改了基本的cGAN公式,并引入了感知损失和平滑L₁损失。在判别阶段提出了一种PatchGAN判别器来判断去雾图像的真伪。在实验阶段,本文合成了一个包含室内和室外场景的雾霾数据集来训练和评估所提出的算法。本文算法在公开数据集上的平均峰值信噪比（PSNR,Peak Signal-to-Noise Ratio）和平均结构相似度（SSIM,Structural Similarity）值都优于其它算法分别达到了最高的22.673和0.901,而在真实雾霾数据的实验中也能够恢复出具有更好细节的清晰图像。