雾天条件下,空气中悬浮着的大量微小颗粒对光线进行吸收和散射,导致图像采集设备获取到的户外图像质量严重退化,出现细节模糊,对比度、清晰度降低,整体颜色偏白等问题。不仅影响了人类对图像内容的辨识,也给以图像或视频为主要处理对象的计算机视觉任务带来了严重干扰,因此,图像去雾有十分重要的研究意义和应用价值。近年来,图像去雾算法引起了国内外学者的广泛关注并取得重大进展,主要可被划分为三大类:基于图像增强的去雾算法、基于图像复原的去雾算法和基于深度学习的去雾算法。基于深度学习的去雾算法在前两类算法的基础上得到进一步发展,但在一些方面仍存在一些局限性,如去雾不彻底,易出现颜色失真,对非均匀雾图的去雾效果不理想。本文对以上问题进行深入分析,提出了两种基于深度学习的端到端的图像去雾算法,具体内容如下:（1）针对当前算法中存在去雾不彻底,易出现颜色失真的问题,本文提出一种基于金字塔多尺度转置卷积网络的单幅图像去雾算法。该算法构建一个端到端的网络模型,直接学习雾天图像与清晰图像之间的映射关系,避免因中间变量估计不准确而导致去雾图像中存在雾残留,颜色失真的问题。首先,网络利用由多通道拼接结构构成的特征提取模块对输入雾天图像进行特征提取,尽可能保留图像中的细节信息与颜色信息;再通过金字塔多尺度转置卷积模块重建高质量清晰图像;最后,从特征提取模块中引入跳跃连接进行信息补充。实验结果表明,该算法去雾更加彻底,无明显的颜色失真现象。（2）针对当前图像去雾算法对非均匀雾图去雾效果不理想的问题,本文提出一种基于传递注意力机制的非均匀雾图去雾算法,通过构建稀疏结构的平滑空洞卷积来提取图像中的特征,在保证较大感受野同时保留更多的细节信息;针对雾霾分布的非均匀性,在网络中融入传递注意力机制,使不同模块中的权重信息流动并配合,有针对性地处理非均匀有雾图像中的雾噪声。最后,并联一个轻量级的残差块结构用于补充重构图像的色彩信息。实验结果表明,本文所提出的去雾算法对非均匀雾天图像数据集和合成雾天图像数据集均能取得良好的实验效果。全文图28幅,表6个,参考文献63篇。