图像去雾是一种将有雾天气下获得的雾图通过去雾算法恢复干净图像的技术,它作为基础性的低视觉任务,将很大程度上影响后续计算机视觉任务的进行。在这一领域,基于端到端的神经网络去雾是通过输入雾图直接输出干净图像,它不依赖大气散射模型,并已逐步成为当前去雾领域的主流算法,但其需要大量的训练数据并且缺乏一定的理论逻辑。相比之下,基于先验的方法可获得透射率值和大气光,而后依赖于物理模型将有雾图像转化为干净图像,具有高度的理论性,但它们也会造成光晕、伪影等问题,很难适应所有去雾情况。因此,本文结合目前的单幅图像去雾算法进行研究,拟提出一种结合卷积神经网络（CNN）与暗通道先验（DCP）的方法来实现更有效的去雾,主要工作如下:（1）以往的去雾网络算法中总是会出现去雾不完全以及网格伪影等问题。因此,在卷积神经网络分支中,本文在FFANet的基础上引入平滑扩张卷积（SDC）块来提取图像中的多尺度特征信息,以消除以往由扩张卷积引起的网格伪影问题,并对原本的特征注意力模块做了简单的改进。不止如此,有时网络层数的加深并不能提高去雾能力,反而会出现梯度消失等问题。因此,本文在引入平滑扩张卷积块提取全局特征的同时,也添加了局部分支,它可将局部信息补充到全局信息中,从而提高去雾能力。（2）在天空等明亮区域,通过暗通道先验获得的去雾结果会出现色彩失真等现象。因此,在暗通道分支中,本文对其做了简单的细化处理以初步解决暗通道去雾存在的问题。不止如此,我们还提出了一个全新的注意力机制对卷积神经网络与该分支做自适应融合,从而获得更好的去雾结果。（3）在整个网络结构的训练中,本文选择并行的训练暗通道（DCP）分支与卷积神经网络（CNN）分支,而且分别监督两分支得到的去雾结果以及融合后的最终结果,并从主观和客观评价两方面构建图像去雾的标准。在合成雾图数据集（RESIDE-Indoor）上的大量实验证明了我们所提网络结构的有效性,验证了本文算法具有良好的去雾能力,可以产生可观的视觉效果。