单幅图像去雾任务作为计算机视觉任务领域中的重要组成部分,在目标跟踪、无人驾驶等视觉任务中都承担着重要的作用。因此,在多样的计算机视觉任务中,如何在单幅图像中高效地获取更好的去雾效果成为单幅图像去雾任务中的关键问题,同时也是计算机视觉领域中一个亟待解决的难题。通过深入分析国内外单幅图像去雾方法的研究现状,同时结合深度学习思想及计算机视觉的相关知识,对如何在单幅图像中高效地获取更好的去雾效果进行了深入研究。首先,针对现有利用卷积神经网络作为基础网络的图像去雾方法无法利用有雾图像的深层细节特征,导致训练的去雾模型去雾效果不理想的问题,提出利用金字塔卷积模块将包含多尺度卷积核的金字塔卷积模块融入到双残差模块中,构造多尺度双残差模块。利用不同尺度的卷积核提取有雾图像深层的特征信息。为了减少网络参数,提高网络的训练速度,将空间注意力机制融入到已带有通道注意力机制的双残差模块中构造新的去雾网络来实现单幅图像去雾的任务。其次,为了使网络根据有雾图像中雾的分布特征利用不同的注意力机制获取更好的去雾效果,提出一种多注意力残差密集结构融入网格网络中实现图像去雾的方法。通道注意力可根据有雾图像的特点为不同通道的特征图分配相应权重;空间注意力可使去雾网络更加关注景深较大的雾;引入像素注意力对于有雾图像中不同浓度的雾分配相应的权重,在视觉及评估指标上提高单幅图像的去雾效果。再次,针对目前的单幅图像去雾方法虽然在合成图像上的去雾效果较为理想,但对于真实有雾图像仍有大量雾残留的问题,本文在构造融合通道注意力、空间注意力、像素注意力及残差密集块的Multiple Attention Grid Network（MAGNet）的基础上增加图像增强处理,在去雾网络之后引入导向滤波去除真实图像中残留的雾使得去雾后图像更加平滑且保留更多边缘细节信息,从而提高去雾图像整体的视觉效果。最后,针对所提的两种去雾方法分别基于室内数据集Indoor和室外数据集Outdoor以及Middlebury数据集进行了相应的实验验证与结果分析。实验部分分别针对合成有雾图像与真实有雾图像做了去雾结果的验证与分析。