本文是对图像复原中的去雾算法这个领域做了一系列的研究探索。简单来说,本文首先介绍了结合神经元注意机制（Neuron Attention,NA）的更迭去雾网络所使用到的一些关键算法与模块。其次介绍了关于双向长短期记忆网络（Bi-LSTM）的基本构架。最后介绍了关于神经元注意力机制的基本结构,以及其所采用的深度和点卷积的运算过程。NA模块是在通道注意力机制的基础之上发展而来的,可以通过模拟神经元之间的相互依赖和相互影响,自适应和动态地重新校准神经元的响应。接下来,本文主要讨论了如何结合NA机制和Bi-LSTM来设计实现我们的更迭去雾网络。我们先是介绍了结合NA机制的环境光估计网络的基本结构——包括环境光估计网络、传输图估计网络、和去雾网络。环境光估计网络是针对雾图当中的环境光进行估计,尽可能避免产生颜色失真的现象。了解到逐通道计算环境光能更好的处理雾图中的偏色问题,本文在这里引入NA机制用来计算每个颜色通道对应的环境光。传输图估计较为复杂及难以控制,因为需要尽可能精准的估计传输率。基于当前的主流做法,本文在使用编码器-解码器网络结构来设计传输图估计网络模型。然后,我们讨论了本文模型中最关键的去雾网络。考虑到Bi-LSTM能够非常有效的解决序列中前序信息保留的问题,我们在去雾网络中引入Bi-LSTM模块,从而对所有的去雾操作进行记忆、保留和传输,这样做就可以进一步提高去雾的整体性能。训练过程分为三个阶段,每个阶段为下一阶段做好奠基。首先,分别对透射图和大气光估计器训练;紧接着,使用重建损失对除雾网络进行单独训练;最后,将所有三个受过训练的网络与多个目标函数一起进行微调。在实验验证部分,对本文的结合NA机制的更迭去雾网络设计并进行了一系列客观量化评估实验和主观评估实验,从而证明了本文的去雾算法具有很好的结果。此外,为了探究本文的结合NA机制的更迭去雾网络的各个模块的具体性能,本文还设计了缺失性比较实验:分别探究了本文的NA-IDN中的NA模块、Bi-LSTM模块的改进对整体算法性能的贡献。上述系统化的分析和实现足以说明,本文的结合NA机制的更迭去雾网络可以在当前相关研究中达到极佳性能。