在自然环境中,相机传感器受天气条件的影响会拍摄到一些图像质量较低的低质图像,这些图像上会呈现出清晰度低、细节模糊、颜色失真等问题。低质图像的存在会为后续的图像信息提取带来极大的困扰,人眼及计算机视觉系统在处理低质图像时都难以从中提取出有效高层信息。因此,找到一种高效的低质图像恢复方法,提高低质图像的清晰度,消除其带来的负面影响,已成为当前图像处理领域的研究热点和难点。本文的主要研究内容如下:（1）针对低质图像分类的问题,以清晰图像、雾霾图像、雨线图像、低照度图像和模糊图像为实验对象,提出了一种基于多核密集连接网络的低质图像分类算法（Multicore Dense Connection Network,MDCNet）。该算法通过密集连接网络和两组不同大小的卷积核,自适应的提取出低质图像上不同尺寸的低质特征,实现对低质图像的有效识别。经实验验证,MDCNet在低质图像分类任务上的精确率能够达到92.87%。（2）针对图像去雾算法中存在的面对浓雾时效果不稳定,只能处理薄雾的问题,提出了一种基于YUV颜色空间图像的去雾算法。该算法将雾霾图像转换至YUV颜色空间,在Y通道上对亮度信息进行调整以削弱雾霾的影响,在UV通道上对图像的颜色信息进行重上色以实现色彩的恢复。同时采用跳跃连接的方式将底层特征与高层特征进行融合,解决了深层网络中细节信息丢失的问题,实现更加精细的去雾。经试验对比,该算法在浓雾和薄雾情况下均表现出了优异且稳定的去雾效果。（3）为了验证本文所提出的低质图像分类算法（MDCNet）和图像去雾算法的有效性,构建出了一个将上述两种算法进行集成的低质图像分类恢复算法。该算法采用预训练的MDCNet对输入的图像进行类别识别,根据其所属的类别调用不同的恢复算法进行处理,其中雾霾图像采用本文所提出的基于YUV颜色空间的去雾算法。最后在目标检测任务上进行了试验验证,目标检测算法在经分类恢复处理后的低质图像上的准确率得到了较大的提升。