在工业智能化快速发展的时代,人工智能技术为人们的生产生活带来了巨大改变,是社会运行更加高效便捷,而计算机视觉作为人工智能的重要分支,在自动驾驶、人脸识别、医学图像诊断等方面展现了巨大的潜力和应用价值。如今数字图像采集设备被广泛应用于各个领域,在丰富的图像数据的支撑下,计算机可以代替人眼高效地完成视觉信息的识别、分析和处理。然而,在户外采集的图像数据容易受到雾霾等不利天气的影响,场景目标进入成像设备的光线受空气中悬浮微粒的散射和吸收,使采集到的图像出现模糊降质、信息丢失、颜色偏移等问题,严重干扰计算机对视觉信息的分析处理。因此,通过图像处理技术恢复雾天降质图像中的有效信息,提升图像的可见度,对于计算机视觉系统的稳定运行有至关重要的作用。本文对现有的图像去雾算法进行了深入的研究和分析,讨论了此类算法中存在的缺陷,并以大气散射模型为基础,从优化透射率估计模型的角度出发提出了两种改进的去雾算法,取得了一定的效果,本文的主要研究工作如下:（1）针对现有图像去雾算法在复原含明亮区域的雾天图像透射率估计出现错误的问题,提出一种基于指数映射与自适应能量函数的图像去雾算法。首先基于图像暗通道值的统计规律,利用指数函数衰减特性构建一个将有雾图像暗通道映射到无雾图像暗通道的指数映射模型,并根据所获得的暗通道估计值求解出透射率估计值;其次,根据图像的马尔可夫性,构建基于马尔可夫网的自适应权重能量函数,对透射率进行优化,并使用降采样方法减少算法运算量;最后,利用优化后的透射率估计值与局部大气光值复原出无雾图像。实验结果表明,该算法复原结果视觉效果清晰,色彩保真度高,较好地解决了包含明亮区域的有雾图像复原问题。（2）针对传统去雾方法受先验信息和约束条件严苛,对于待处理图像的泛化能力较弱的问题,提出一种生物视觉机制的端到端图像去雾网络（BVM-Net）。该网络受大脑视觉皮层的解剖学结构启发,仅使用5个卷积模块模仿视觉系统的腹侧通路和背侧通路,并根据其解剖结构进行连接,具有浅层、简单的结构特点。BVM-Net基于端到端的设计方式,经过训练后输入有雾图像能直接恢复出清晰图像,可以轻松嵌入高级视觉处理任务。值得一提的是,所提网络结构摈弃了传统深度学习中依靠加深网络来提升性能的思路,转而模拟大脑视觉系统结构,通过循环连接的形式使网络在浅层就具备有效的信息处理能力。为进一步平衡网络去雾性能与速度,还引入了深度可分离卷积来构造更轻量化的网络（BVM-Net-lite）,在保证网络去雾性能的基础上大大减小了模型参数量,使之在移动设备上也可以轻松运行。