由于空气中广泛存在着各种微小粒子,这些粒子对光线的吸收和散射作用使得户外视觉系统捕获的图片存在不同程度的降质现象,包括低对比度,颜色失真,边缘模糊等。这些现象给图像后续的分析和处理带来极大困难,影响了计算机视觉领域相关应用的发展,如图像识别,目标跟踪等。随着计算机视觉领域的蓬勃发展以及该领域在安防、交通、军事等行业的广泛应用,对雾天降质图像进行去雾处理,提高能见度有着重要的理论意义和应用价值。迄今为止针对图像去雾这一课题的方法有很多,但都存在一定程度的局限性和相应的缺点。按照去雾原理的不同,这些方法可以分为三类:基于图像增强的方法、基于图像恢复的方法和基于深度学习的方法。图像增强的方法直接从获取的图片出发利用图像增强技术提高图片自身质量。由于雾图形成的复杂性,这一方法往往不能取得良好效果,已经几乎淘汰。而基于图像恢复的方法是基于雾图的形成过程,利用雾图成像模型进行估计。但是其中涉及的参数复杂不容易精确估计。近些年,基于卷积神经网络的去雾方法逐渐流行,效果不断突破,但是模型大小也同步增长,增加了计算复杂度。针对以上问题,本论文主要完成了以下两项工作。1、提出了雾图形成的加性模型,避免了传统模型里面复杂的参数。为了求解新提出的模型,基于统计观察提出雾层平滑先验对模型加以约束。基于新提出的模型和先验,一种新的单图像去雾算法被提出。2、提出了基于多尺度卷积的轻量级神经网络模型。该模型能够提取图像在多尺度下的细节信息,并且尽可能地减少了模型参数,取得了很好的实验性能。此外,该网络模型是端对端的网络,可以恢复任意尺寸的无雾图像,能够避免估计中间变量造成的误差放大。