近年来,随着大数据技术和人工智能技术的飞速发展,新型的信息处理系统,如无人驾驶系统、智能监控系统等,智能化越来越高,对采集图像的清晰度要求也越来越高。但是,受到现实环境中空气悬浮物(如雾、霾、沙尘、雨、雪等)的影响,采集到的图像会严重失真,存在色调偏移、对比度降低、曝光过度、信息遮挡等问题。这些问题不仅影响人的直接感官,更为信息处理系统对图像的检测、跟踪和识别带来了严重的干扰。因此,对图像进行去雾化处理,恢复图像的可视性具有非常大的应用价值。尽管研究者们在图像去雾方面取得了非常大的进展,尤其是基于深度学习的去雾方法得到了非常好的效果,但很多方法都是利用人工合成的雾图进行训练,在真实环境下去雾效果不能得到保证。基于循环一致对抗网络的去雾方法则能够解决训练数据的问题,但是去雾的效果非常不好。目前为止,现有的去雾方法在平衡实用性和准确性方面仍存在巨大的挑战。为解决上述问题,本文基于循环对抗网络,对图像去雾方法进行了研究,主要工作如下:(1)提出了暗通道先验循环去雾网络(DCP-Cycle-Dehaze)。模型基于循环对抗网络,增加了基于暗通道先验知识的DCP损失和改进的循环感知损失,实现图像去雾功能。DCP-Cycle-Dehaze主要通过增加针对性的损失函数,增强网络对雾特征的敏感度,以加强模型的去雾能力。它进一步提升了CycleGAN网络框架的去雾性能,使模型在无监督训练的方式下仍然达到有监督训练的精度。通过在O-HAZE、I-HAZE、RESIDE以及D-Hazy四个各具代表性的数据集上进行的仿真实验,证明了本文提出的去雾网络在室外环境取得了很好的结果;同时,在室内环境上也取得了较好的结果。实验结果从定量和定性的角度证明了DCP-Cycle-Dehaze的有效性。(2)提出了半训练色彩剥离去雾网络(Semi training color stripping DehazeNet,简称STCSDN)。本文提出了一种适应性极强的去雾新方法,主要依赖卷积神经网络去雾过程中的两条重要性质,一是卷积神经网络对轮廓及阴影信息的学习速度比对颜色信息的学习速度快,二是图像草图对雾的浓度不敏感。基于性质一,STCSDN通过循环对抗网络,利用半训练的生成器作为草图提取模块,从有雾的彩色图像提取出无雾的灰度图像,灰度图像仅包含图像的轮廓和阴影信息,舍弃了原有被雾信息干扰的颜色信息。该方法具有极强的适应性、可视性和真实性,能够应用到任何场景。更进一步,针对有颜色需求的去雾任务,再由另一个循环对抗网络完成灰度图像的涂色任务,获得彩色的去雾图像。在此过程中,基性质二,仅利用无雾图像提取的草图完成涂色模块的训练,而无需有雾图像的参与。此外,由于草图与雾图具有天然的一一对应关系,依赖成对数据的方法也可以被应用到工程实践中,大大增加了这些方法的实用性。通过在不同类型的去雾数据集上进行的仿真实验,证明了本文提出的STCSDN的色彩剥离去雾网络能够很好地去除雾的影响,还原图像细节,增强视觉效果。同时,仿真实验结果还证明STCSDN能够结合现有的图像转换模型进行颜色恢复,得到的真实的彩色去雾图像。