随着工业化进程的不断推进,大气中的细微颗粒物的密度越来越高,这些颗粒物影响了物体反射光的传播,从而造成了雾霾天气。雾霾已经成为一种常见的天气现象。雾霾不仅对人体健康造成了极大的伤害,同时严重影响户外视觉系统的有效运行。因此,图像去雾成为计算机视觉和图像处理领域的重要研究内容。在图像去雾的早期研究中,研究人员利用大气散射模型取得了显著的成果,但去雾的效果严重依赖于能否预测出精准的大气光和透射率。本文针对图像去雾的特点并基于深度学习,对单幅图像去雾算法进行了研究。本文的主要工作内容如下:（1）提出了一种迭代残差去雾网络,网络主要由图像去雾单元利用迭代思想对有雾图像进行多次去雾。在去雾单元的设计中,引入长短时记忆网络和残差的思想来进一步优化所提模型,使用长短时记忆网络将不同阶段的计算单元连接起来,在计算单元进行深层次处理时使用残差块连接的方式,用以保留图像的原始特征并防止模型出现过拟合。此模型不依赖于大气散射模型,以端对端的方式直接生成无雾图像。实验表明,迭代残差网络可以有效去除图像中的雾霾,在合成数据集和真实数据集的测试中,所提模型在主客观评价中均优于现有的方法。（2）提出了一种融合深度信息的图像去雾网络。由大气散射模型可知,将有雾图像转为干净图像依赖于获得精准的透射率和大气光,而透射率与场景深度直接相关,那么场景的深度信息对于图像去雾来说是至关重要的。基于U-Net架构提出一种融合深度信息的去雾网络,网络模型的输入为有雾图像,端对端的输出无雾图像。首先获取有雾图像的深度信息,然后针对深度信息进行编码和解码,编码和解码的过程中将不同尺度的有雾图像特征跳跃连接至对应位置,模型的输出为干净图像。本文所提方法不依赖于大气散射模型,以端对端的方式直接输出干净图像。经过大量实验证明,多尺度深度信息融合网络可以有效的去除图像中的雾霾,不仅在合成数据集上领先于其他方法,在真实场景的测试集中同样表现优异。