图像出现雾状模糊是一种常见的现象,通常是由摄像机在室外拍摄图片时大气中弥漫的灰尘和薄雾引起的。这些雾状模糊很大程度上降低了户外图片的可见度和对比度,造成了图像细节丢失与色彩失真。而这些低质量的图片使得下一阶段的高级计算机视觉任务,例如语义分割和目标检测变得困难。随着光学成像设备的日益发展,高清图片与视频成为了必然趋势,人们对图片及视频质量的要求也越来越高,针对高清图片及视频的去雾处理成为了非常有意义的研究。近年来深度学习与图像处理的发展突飞猛进,其效果远远超过了传统的去雾算法,因此本文采用了基于深度学习的算法对高清图片进行去雾,同时还提出了一种利用视频时序一致性的高清视频快速去雾算法。主要的内容如下:（1）针对单幅高清图像的去雾,我们对过去的去雾算法进行探讨与分析,总结出了这些算法的优点与不足,并且提出了一种新型端到端的去雾网络结构,称之为多尺度特征的无监督去雾算法（MFC-dehaze）。该网络利用的是改进的多尺度特征循环生成对抗网络,与以前的模型不同,本文提出的方法不依赖于传统的大气散射模型,并且在训练集中不需要包含有雾图像以及它所对应的无雾标签图像,大大方便了训练过程。同时,本文设计了一种具有多尺度功能的新型生成器,引入了全局和局部判别器以提高网络性能和图像质量。针对循环生成对抗网络在训练过程中容易发生梯度弥散和限制生成样本多样性的问题,在判别器部分增加谱归一化的处理,使训练过程更加稳定。实验结果表明,我们的算法不仅在不同的数据集上取得了良好的效果,并且在对比真实场景中拍摄到的高清图片,其色彩和细节轮廓的还原也都有了很大提升。（2）视频中多了时序上下文关系,在针对视频去雾的过程中不仅要考虑每一帧的去雾效果,更重要的是确保去雾后的视频整体连贯、色彩一致以及处理速度满足实时要求。高清视频的处理繁琐,需要消耗大量时间及内存,给实时去雾带来了许多困难。本文在大气散射模型的基础上提出了一种深层信息融合的参数共享视频去雾算法,首先对视频序列进行前景与背景的提取,利用前景与背景的不同特性分别设计两个不同网络进行参数估计。背景部分设计了一种轻型的深层级联卷积网络,通过两个具有多尺度深层特征提取的网络分别对大气光与透射率进行估计;前景部分沿用暗通道先验理论,并且加入引导滤波对暗通道图进行细化,使其能更加准确地估计出各个参数。最后利用帧间关系的连续性,有选择的对各个参数进行计算、复用以及更新从而降低算法的耗时,进行高清视频的快速去雾。