在大雾或雾霾等恶劣天气条件下拍摄景物时，由于光在传播的过程中受到介质因子(包括小水滴、烟尘等)的散射、折射和吸收等作用相比晴朗天气条件下更加严重，所以得到的图像常常质量退化严重，具有对比度低、景物轮廓模糊和颜色暗淡等特点，这类图像统称为有雾图像。有雾图像不但不符合人眼的视觉特性，而且不利于视觉机器对图像中相关景物的特征提取，使得以图像特征为基础的目标检测、目标跟踪等相关工作无法正常进行。因此对有雾图像的清晰化处理便显得尤为重要。本文对单幅图像的去雾方法进行研究，主要研究内容体现在以下几个方面：从图像增强的方式入手，首先实现了直方图均衡化的去雾方法，它包括了全局直方图均衡化、子块重叠直方图均衡化和子块不重叠直方图均衡化三种方法。该类方法是通过调整并使图像的灰度级均匀分布来达到提升图像对比度的目的，这类方法是最基本的图像增强方法，其结果常用于和其他算法进行比较。紧接着又实现了基于同态滤波的去雾算法，在建立了图像的照度反射模型之后，结合频率域过滤和灰度变换的方法，增强图像对比度的同时压缩其亮度范围，达到去雾的目的。最后又对基于单尺度和多尺度的Retinex去雾算法进行分析和实现，并根据实验结果对相关算法进行评价。之后又以图像复原的方式来处理有雾图像，首先对有雾图像降质的成因进行了具体分析，据此建立大气散射物理模型，由于该模型中存在四个变量，然而已知变量只有有雾图像，所以本文又根据暗通道先验理论估算出大气介质因子的透射率以及大气环境光强度这两个变量。同时由于粗糙透射率会导致去雾图像存在光晕效应，所以又使用软抠图技术对透射率进行了优化，将相关参数带入模型公式之后，计算得到最终的去雾图像。以上都是传统的单幅图像去雾方法，有很多学者对上述方法进行了改进，但有些改进方法虽然提升了图像的处理速度却牺牲了图像处理后的质量，而有些则提升了图像处理后的质量却牺牲了处理速度。本文则首次将基于脉冲耦合神经网络（简称PCNN）的图像增强方法用于图像去雾领域。首先本文分析了该方法对灰度图像进行增强的原理，之后结合彩色空间变换理论，将原始图像由RGB彩色空间转换到HIS彩色空间，通过PCNN模型对HIS空间的亮度分量进行增强，然后对图像的色彩饱和度进行非线性调节，最终通过彩色空间逆转换得到清晰的图像。在本文的最后通过与传统去雾算法在去雾效果和去雾所用时间这两个方面的比较，验证了本文算法的有效性。