近些年伴随大数据与人工智能的持续发展,许多以信息处理为基础的智能系统对输入图像质量以及清晰度的要求逐渐提升。例如交管系统以及无人驾驶系统等。由于空气质量的不断恶化,雾霾天气的频率不断增加,实际获取的图像质量普遍偏低。此类降质图像不但使人眼无法获得更好感受,同时也对各种智能信息处理系统性能存在负面影响。因此对增强雾天图像品质算法的研究,有着广阔的应用前景以及迫切的现实需求作为动力。本文围绕雾天图像复原技术及其质量评价等方面进行了深入讨论,展开以下研究:首先,提出了一种利用暗通道定量估计图像中雾度的方法。随后提出了一种颜色分析和亮度分析相结合的估计算法。与以往只关注亮度估计的方法相比,该方法在YCbCr空间中结合了估计颜色相似性,以选择具有代表性的雾气像素候选点用于大气光值的计算,达到了精确优化估计大气光值的目的。其次,依照图像的暗通道优先特点设计的去雾卷积神经模型。该模型是以暗通道特性为基础而研发的,受卷积神经网络去雾算法启发而获得。经由优化的网络模型能够精确预测雾气图像的投射图,随后依照物理大气散射模获取去雾后的图像。最后,利用主观和客观两种方式对去雾图片的质量进行评估。采用Faster-RCNN目标识别对多种方法去雾前后图片进行识别,并对比识别出的目标数量。测试结果表明,本文的算法不仅具有较好的去雾效果,同时有助于图像目标识别和分类等后续图像处理工作。