随着社会发展以及工业化,全球环境中的多种工业废气、自然灾害燃气、人类生活燃气的排量极其迅速的增加,全球气候均受到影响。在各国多地的大量地区经常会出现多雾的天气。在这种多雾的天气中,大气中所漂浮着的颗粒物和烟雾会对太阳光进行吸收以及散射,因此会导致所有的户外图像采集设备所采集到的图像严重降质,对监控监测人员以及智能化的计算机视觉系统的后续判断造成了难以消除的影响。图像去雾是指使用算法抵消掉雾天对图像采集设备采集到的图像数据所造成的影响。因此当前切实地需要研究并开发一种具有鲁棒性、实时性的图像去雾算法以及与之有关的图像去雾系统。现有的单幅图像去雾算法中存在着图像去雾后颜色失真、光晕效应和图像对比度较低等问题。为了使得图像去雾后具有高指标和良好的视觉效果,本文首先对大气散射模型进行了分析以及类比推导,建立了含有噪声的有雾图像的散射模型,并结合Refine Net及残差网络针对高分辨率的有雾图像进行图像去雾;其次有针对地通过创建导向分解模块提取轮廓信息,然后将条件生成对抗网络与之相结合用于解决生成图像时可能产生的光晕现象的问题。针对所提出的想法,本文采用RESIDE和NYU两个数据集进行了科学实验,通过对比实验结果以及消融实验结果,本文所提出的方法,从视觉效果观察有着较好的去雾效果;从评价指标观察,有着更高的指标定值。本文主要研究内容和创新点有如下三点:(1)针对现有技术在高分辨率的有雾图像上的特征提取困难及效果欠佳的问题,本文构建18层的残差网络做为特征提取器,提取有雾图像的4种不同尺度的特征图。针对Refine Net的神经网络模型过于庞大的问题,修改了其中的部分单元结构以求减重,并对已提出的特征进行融合。其次通过递归调用整个神经网络去学习有雾图像到无雾图像的非线性映射,达到了比较好的去雾效果。实验结果表明,该算法与前沿算法相比取得了最佳效果,相比在峰值信噪比和结构相似性上平均分别提高了0.605d B和0.015。(2)为解决在生成清晰无雾图像时可能出现的光晕现象,以及部分视觉任务对于景物轮廓信息的恢复需求。首先以分解模块和导向滤波层共同构建导向分解模块来提取有雾图像的轮廓信息;其次使用残差网络与U-Net的共同结构改进条件对抗生成网络中的生成器,并通过特征映射通道与生成器的中间特征进行融合并恢复清晰图像。实验结果表明,该算法客观上也取得了较好结果,并在部分数据集中取得最高指标值,与条件生成对抗网络相比在峰值信噪比和结构相似性上分别提高了2.71d B和0.023;主观上也取得了轮廓恢复更为清晰的视觉效果。(3)最后考虑图像去雾机器的配置,基于以上两种深度学习的方法和部分传统去雾算法设计了图像去雾系统原型,可以为相应的图像采集人员在获取清晰无雾图像方面提供有效帮助。本文提出了两种基于深度神经网络的单幅图像去雾算法,提高图像去雾的质量,设计了图像去雾系统原型,有利于部分相关行业的低质量图像恢复。