由于图像采集系统对雾雨等恶劣天气非常敏感,雾天、雨天图像存在能见度差、成像模糊和色彩失真等诸多问题,造成原始图像发生不同程度的质量退化。这些退化图像通常会对后续高级计算机视觉任务,包括遥感观测、视频监控、自动驾驶等性能产生严重影响。因此,开发有效的图像复原算法来恢复高质量的清晰图像具有重要意义。本文从多个角度出发来解决退化图像的复原问题,先提出了以下两个全监督学习的算法:针对遥感图像去雾任务中数据集缺乏的问题,采用两种不同的合成方法来分别生成均匀和非均匀雾天图像对。本文首先设计了一种先粗尺度后细尺度的两阶段遥感图像去雾算法,第一阶段通过编解码器结构提取图像域特征,再引入第二阶段充分利用与前一阶段相近的网络结构来细化初始去雾结果,从而进一步提升去雾性能。实验结果表明该算法在均匀,尤其在非均匀雾天遥感图像上表现出显著的去雾效果。针对现有的遥感图像去雾模型无法恢复出去雾结果中所需的精细空间细节保留问题,本文提出了一种基于混合高分辨率学习的遥感图像去雾算法。该方法可以充分学习多分辨率卷积流特征之间的关系,利用并行交叉尺度融合模块更好地描述来自多分辨率级别的信息,从而允许自顶向下和自底向上的信息反复交换过程。实验结果表明该算法在合成和真实遥感图像去雾性能及细节保留程度上比先前方法有了显著的改进。此外,在图像和特征空间中结合领域知识又提出了以下两个无监督学习的算法:针对大多数去雾算法依赖成对的合成训练数据导致真实世界泛化性能差的问题,本文结合图像空间中景深的领域知识,将物理引导恢复阶段和深度引导细化阶段集成到生成对抗框架中,提出了一种有效的非配对图像去雾深度模型。该模型在恢复阶段嵌入暗通道先验为网络提供约束,并生成初始去雾结果。对于细化阶段,通过挖掘深度信息和传输图之间的潜在关系,以细化前一阶段的结果,并进一步恢复出图像远景信息区域。针对由于领域知识不对称导致将现有的非配对学习方法直接应用到图像去雨任务欠约束的问题,本文开发了一种有效的非配对图像去雨模型,该算法在深度特征空间中以双重对比学习的方式来探索非配对样本的相互属性。通过隐式地约束不同样本在潜在特征空间中的嵌入,从而更好地利用清晰图像中的领域知识特征来促进雨水去除和指导图像复原。实验结果表明所设计的算法在基准数据集上均优于现有的无监督图像去雨模型,并在几个全监督或半监督模型上也产生了可比的结果。