近年来,雾霾天气频发,如何治理雾霾成为社会亟待解决的问题之一。雾霾及其引起的能见度降低,不仅影响身心健康,更是给居民的生产生活带来了极大的困扰。大气的能见度对于各行各业都具有重要的影响,尤其是难以预测的团雾,严重危害了驾驶安全。因此,使用低成本的软件算法提升图像能见度成为了解决雾霾天气影响的不二选择。本文针对单幅雾天图像的能见度恢复与性能评估问题,分别提出了以下研究要点:1.针对多数去雾算法对透射率图估计准确度的依赖以及大气散射模型涉及复杂的参数估计问题,本文构建了基于Auto-Encoder的端到端深度去雾模型。其中,训练过程重新挖掘了暗通道先验在深度学习中的潜力,且联合生成对抗学习提出双重鉴别机制。实验结果显示,本文方法与代表性去雾算法相比在客观评价指标上具有竞争优势,而在提升图像能见度上远优于其他算法,尤其是对于浓雾图像。但受训练数据由人工合成的限制,基于监督学习的深度去雾算法对于真实复杂场景有先天缺陷。2.针对监督方法的训练数据采集困难以及Cycle GAN为代表的无监督去雾机制训练困难等问题,本文提出了基于大气散射模型和引导滤波反向生成雾天图像的无监督深度去雾算法,且在反向生成的雾天图像域引入对抗学习机制以更好地克服算法对于清晰标签图像的需求。实验结果表明,本文方法能恢复出清晰图像,且相较于其它无监督去雾算法具有更强的去雾能力,同时也注意到结果图像中可能存在的色彩偏移。3.针对图像去雾质量的客观评价与人眼视觉主观评价结果不一致的问题,本文结合目标检测这个高层视觉任务进行去雾算法性能的综合评价和分析。基于目标检测的图像去雾算法性能评价不仅可以提高评价指标的公平性和客观性,也有利于去雾算法的改进与推广。然而,实验结果表明,基于当前去雾算法的雾天图像目标检测准确率远低于工业界的要求。