在雾、霾天气下,空气中的细微颗粒物,及其在大气中的散射,致使各种成像设备获得的图像变得模糊,降低了图像的应用价值。因此,减小雾霾对成像的影响,提高图象质量便显得尤为重要。实现图像去雾最关键的便是要通过图像分析精确地估计出透射率。要想通过大量的带雾图像分析了解透射率的分布情况,目前最有效的方法便是利用深度学习网络进行建模分析。本文设计了三种针对单幅图像去雾的卷积神经网络结构。(1)基于ResNet的网络结构设计了可训练的端到端系统,用于估计介质传输。通过直接将输入信息绕道传到输出,在一定程度上解决了信息丢失,损耗等问题,保护信息的完整性,整个网络只需要学习输入、输出差别的那一部分,简化学习目标和难度。采用ResNet的全卷积网络结构,以两个3x3的卷积网络串接在一起作为一个残差模块,构建了网络的结构。(2)基于DenseNet的网络结构设计了两种可训练的端到端系统。第一个网络将DenseNet与全卷积网络相结合,利用密集块与多尺度思想,提取丰富的图像特征信息。第二种网络将DenseNet与去噪自编码器相结合,通过编码和译码实现特征提取和特征组合。以上系统均以雾霾图像为输入,输出其介质传输图,进而利用该介质传输图通过大气散射模型恢复无雾图像。实验表明本文算法提高了去雾图像的质量且效率较高。