在雾霾等恶劣天气下,大气中悬浮着大量的颗粒物质,由于受到这些悬浮颗粒的散射作用、吸收作用等影响,导致采拍摄的图像出现质量退化、细节模糊、识别度低等问题,给图像处理、计算机视觉、人工智能等相关领域带来了极大的困难,严重影响了这些领域的应用和发展。因此,研究图像去雾技术具有重要的意义和价值,急需提出有效的图像去雾算法,恢复有雾图像的清晰度和可见度。现有的许多去雾方法存在色彩失真、块效应、光晕等现象。本文通过研究雾天中引起图像质量退化的主要原因,提出一种基于暗通道先验的使用近红外（near-infrared,NIR）信息识别天空区域的图像去雾算法和一种结合残差块和密集块的编码器-解码器网络的图像去雾算法,高效地实现图像去雾。并且通过定量评价和定性评价的方式,比较和分析本文算法与其他去雾算法的去雾效果。论文主要工作和结论如下:（1）暗通道先验去雾算法是最典型的去雾算法,但是其不适用于处理天空区域。近红外光的波长比可见光长,使得其具有更强的穿透力,受空气中的悬浮颗粒散射影响较小,携带更多的细节信息。本文首先使用近红外信息识别法,区分图像中的天空区域与非天空区域;然后以暗通道先验去雾算法为基础,使用改进的大气光估计和修正的天空区域透射率估计,提高大气光值和透射率的精确性;最后通过图像复原模型实现图像去雾。实验结果证实,本文提出的算法在解决天空区域和较暗场景等问题上,均获得了令人满意的去雾结果。（2）深度学习算法的出现和使用,极大地促进了图像处理领域的发展。深度图中的每一个像素值均反映着传感器距离物体的真实距离。因此,雾度与深度图之间有着较为重要的联系。在现有算法的基础上,本文首先使用深度超分辨率算法处理训练集NYU2 Depth Database,以提高深度图分辨率的方式,实现训练集的优化处理;然后结合残差网络、密集连接网络等（Convolutional neural network,CNN）技术,设计和搭建编码器-解码器网络;最后,使用优化的训练集训练编码器-解码器网络,提高网络模型的学习能力,避免丢失重要的图像特征信息。实验结果证实,使用本文提出的去雾算法得到的去雾结果,在雾度去除方面比较准确,在视觉方面比较自然。