在雾霾天气下,大气中的悬浮细微颗粒影响光的传播路径,成像系统所采集到的视频或图像容易呈现出低对比度、色彩偏移以及清晰度受损等退化现象,不仅严重影响了图像的视觉效果也限制了数字图像在各领域的应用价值。因此,利用图像去雾技术,减少或消除雾霾对图像的影响,还原出图像原始细节具有重要的研究意义。近年来,图像去雾算法的研究已经成为计算机视觉领域的研究重点,尤其是基于深度学习的去雾算法取得了重大进展,然而多数方法都依赖合成数据进行训练,在真实场景下去雾效果不佳;另外,去雾算法在平衡准确性和实时性方面仍面临挑战。本文在现有基于深度学习方法的基础上,针对目前存在的问题,对图像去雾算法进行了全面研究,内容总结如下:1、本文提出一种基于循环一致对抗网络的图像去雾算法,解决了目前图像去雾算法泛化性能差,无法适应合成图像与真实场景的差异性的问题。本文方法结合密集连接、残差结构以及缩放卷积网络对基础的循环一致对抗网络结构进行改进以综合提高网络的去雾能力。另外,针对网络生成图像内容丢失、颜色失真等现象,添加多项联合损失函数提高训练的精度,保证生成图像的视觉质量。实验结果表明,网络具有很强泛化性,能够在真实室外场景下取得良好视觉效果。2、本文提出了一种新颖的基于感知融合机制的渐进式去雾网络,同时提高去雾的效率和准确度。本文方法将降质图像恢复的任务分解为多阶段的子任务,使用轻量级的子网分块学习特征图的不同区域语义信息保证去雾效率。在此基础上,基于注意力机制和导向滤波设计跨阶段感知融合模块,自适应感知各阶段提取的多尺度特征进行融合,而不损失图像细节信息及边缘结构信息。实验结果表明,与现有主流的端对端去雾模型相比,本文提出的算法在处理户外图像上具有更高的准确度和实时性,在公开测试集SOTS上,PSNR指标比现有最好结果提升0.93 d B,且处理单幅图像仅需72 ms。3、本文结合提出的去雾算法,设计了面向监控场景的图像去雾系统,解决目前雾霾天气下捕捉图像可视性下降,影响各领域正常工作的问题。系统由图像采集、雾度检测以及去雾模块组成,可以实现高质量的快速除雾。该系统可以应用于智能安防领域,完成视频监控系统的预处理,解决治安管理问题中后续的人脸识别以及目标追踪等任务,有效提高了监管人员工作效率。可以预见,本文系统也可为其他领域提供帮助。