图像去雾是计算机视觉领域中的热点研究方向之一。在人工智能（Artificial Intelligence,AI）技术高速发展的今天,安保监控、无人车驾驶等计算机视觉相关技术广泛应用于工业场景,这些技术高度依赖图像信息,因此对有雾天气下传感设备获取的降质图像进行图像去雾是一项重要的视觉任务。图像去雾旨在恢复图像细节,提高图像对比度等,可提高后续任务准确度。现存的去雾方法仍存在诸多问题,比如,当前许多去雾方法通过求解大气散射模型得到清晰图像,大气散射模型本身及其求解过程存在不可避免的误差。另外,当前算法以客观指标为导向,视觉质量被忽略,同时不均匀分布的雾也不能被较好地处理,因此恢复图像在视觉质量上有待提高。而且,当前方法依赖于有完全标记的成对数据集,方法泛化能力有待提高。针对以上几个问题,本文主要研究三个方面的内容:生成对抗学习去雾、自适应分流注意力机制去雾、弱监督去雾,用新的机器学习方法解决图像去雾问题,提高图像恢复的性能,减少对数据库的依赖。本文主要贡献点包括以下三个方面:1、提出了基于生成对抗学习的增强Pix2Pix去雾方法。现有图像去雾方法大多依赖于大气散射模型,建模过程中简化实际条件,求解模型过程需要对中间参数进行估计,从而带来不可避免的误差。本文提出嵌入式生成对抗网络模型和对抗训练策略,将图像去雾任务处理为图像风格迁移问题,不再依赖大气散射模型求解。该模型不仅可以有效提升去雾性能,还能使得去雾结果的细节更加生动自然,符合人眼观测习惯,提升了去雾结果的视觉质量。各个方面的实验结果表明本文提出的方法能更有效地去雾,模型鲁棒性高、泛化性能强,去雾结果具有真实感,在定性与定量的比较中,表现突出,优于同期算法。2、提出基于自适应分流注意力机制的去雾方法。自然场景中雾的分布往往是浓淡不均的,当前算法缺乏对雾的分布的讨论,导致其去雾结果质量不佳。为此本文提出自适应分流注意力机制,设计基于自适应分流注意力机制的自适应分流加权模块,做到自适应区分浓雾与薄雾区域,对浓雾与薄雾区域进行分流,“浓雾区域多学习、多处理,薄雾区域少学习、少处理”。该方法不仅使去雾后的结果更加均匀自然,同时可迁移至其他模型,提升其他模型去雾性能。大量实验表明,本文提出的基于自适应分流加权的去雾方法在浓雾、雾不均匀的场景中具有优越的去雾性能,方法适用于多种模型。3、提出雾浓度标签引导的弱监督去雾方法。当前绝大多数深度学习去雾方法依赖有完全标记的成对有雾数据集,而成对数据集采集难度大,成本高昂。为解耦配对数据集与模型间的约束关系,本文提出基于生成对抗学习的弱监督去雾方法,基于第一个创新点中的风格迁移思路,将有监督的风格迁移扩展至弱监督风格迁移,使用不配对的数据集也能训练出稳定效果的去雾模型。大量实验表明,本文提出的弱监督方法能稳定有效地去雾,优于当前无监督/弱监督流行方法,为相对空白的无监督/弱监督图像去雾增添一份理论基础。