雾霾是一种常见的大气现象,是空气中悬浮的微小颗粒物（灰尘、烟、微小水滴等）组成的气溶胶系统。在户外拍摄图像时,雾霾的存在常常会使得拍摄的图像出现对比度降低、整体色彩变淡等现象,导致图像的可视化效果变差,影响到后续的高层计算机视觉任务。因此,去除图像中雾霾的影响是一项很有意义的研究。对于图像去雾问题的研究,主要有基于图像增强、基于物理模型和基于深度学习这三种类型的方法。基于增强的方法属于较早期的研究思路,后两类则是当前阶段主流的研究方法。基于物理模型的去雾算法,大多数采用大气散射模型,先分别估计大气光强度和透射率,然后再间接地恢复出无雾图像。然而,估计多个变量可能会造成单个变量估计时的误差在去雾结果中累积。大多数基于深度学习的去雾算法依赖于深度网络在合成数据上的学习能力,然而合成数据分布和真实数据分布不一定相同,真实有雾图像的情况往往更加复杂。针对以上存在的问题,本文提出了一种基于多合一模型的自监督神经网络去雾算法。首先,本文使用了大气散射模型的等价版本——多合一模型,该模型将大气光和透射率整合为一个变量,避免了估计多个变量带来的误差累积问题。基于这种思路,本文制定了一个神经网络去雾算法模型。其次,本文使用一种深度图像先验作为模型中无雾图像的隐式先验,设计了一种手工先验作为模型中整合变量的显式先验,将模型的求解转变为了一个约束优化问题。最后,本文使用两个深度图像先验生成网络对该优化问题中的无雾图像和整合变量进行求解,采用联合优化的策略,以自监督学习的方式同时更新两个网络,避免了监督学习方法对大规模合成训练数据的依赖。在合成数据集和真实数据集的实验结果表明,本文的算法在量化指标和可视化结果上都达到了目前一流算法的水平。