近年来随着人工智能和大数据的快速发展,越来越多的智能信息处理系统,如交通监控系统、无人驾驶系统等,对输入图像的清晰度提出了更高的要求。然而,受现实条件中雾霾等恶劣天气的影响,实际获取的图像质量普遍偏低,经常存在对比度低,色调偏移、信息可辨识度低的现象。这些降质的图像不仅影响人眼的主观感受,更严重影响了各类智能视觉信息处理系统的性能。因此,对雾天图像进行清晰化处理具有非常重要的实际应用价值。然而图像去雾问题本身是极具挑战的病态问题,受到越来越多学者的关注。本文在充分理解大气散射模型的基础上,对单幅图像的去雾算法进行研究,针对当前不同类别的去雾算法存在的局限性,提出了两种基于深度卷积神经网络的去雾算法,通过更准确的透射率或大气光值估计方式,获得了更佳的图像恢复效果。本文具有创新性的工作主要包括:一、基于深度全卷积回归网络的去雾算法研究。针对传统去雾算法容易受到雾图先验知识的制约,及目前基于CNN的去雾算法恢复效果不佳的问题,本文提出了一种基于深度全卷积回归网络的图像去雾算法。该网络通过自动学习雾图与透射率间存在的内在映射,实现了对景物透射率的准确估计。并且,为优化网络训练过程,提出一种基于非配对图像的训练数据合成方法,避免了训练数据对景物深度配对图像的严格依赖。通过更接近真实雾图的合成数据,该网络获得了良好的训练效果。在合成雾图及真实雾图与多种算法的比较表明,本方法对透射率的估计更加准确,并克服了传统去雾算法对天空区域恢复不理想的问题,恢复出的图像真实自然,能够取得更佳的视觉效果。二、透射率及大气光值联合估计的去雾算法研究。针对现有基于CNN的算法仅实现了通过网络完成对透射率的估计,并未结合网络提出更有效的大气光值计算方法,本文提出了一种新的透射率及大气光值联合估计网络。该算法完全利用CNN网络来估计大气散射模型的各项参数,避免了传统方法在大气光值求解上存在的估计不准的问题。其网络结构在利用低层共享特征单元的基础上,分别延伸出透射率估计及大气光值估计分支,通过联合估计,保证了网络训练的整体性。实验结果表明,本文提出的联合估计算法在合成雾图数据的客观指标评价,及真实雾图恢复效果对比上,都优于其它的CNN去雾算法。