随着计算机技术和人工智能的高速兴盛,智能化推动各个领域的创造和发展,多种智能配置融入到人们日常的方方面面。在计算机视觉中,采用摄影机和输入设备代替人眼视觉系统来实现目标分析、识别和处理等技术是当前计算机科学应用最为盛行的内容之一,例如在人脸识别、图像检测、视觉分析、医疗影像处理、自动驾驶和军事侦查等领域,都发挥着举足轻重的作用。但是,户外的计算机视觉成像系统容易受到自然天气条件的影响,其中雾、霾等天气更为恶劣。在雾、霾天气下,由于空气中的悬浮颗粒物和小水滴极易对光线造成散射、反射、折射和吸收的影响,导致所捕获的图像质量大幅降低,主要有可见度下降、色彩偏移、细节损失以及对比度下降等不良现象,严重限制了计算机和视觉系统从图像中获取有效的信息。因而,对雾天图像进行清晰化操作获得无雾图像具有至关重要的现实价值。本文经过对经典的传统去雾算法和深度学习去雾算法的透彻分析和研究,针对算法中存在的问题提出了三种图像去雾算法,主要研究内容如下:（1）为了解决暗通道先验图像去雾方法中透射率估计存在偏差的问题,如在景深突变部分和天空部分,提出了自适应融合暗通道和天空补偿的去雾算法。首先,根据暗通道先验中大窗口尺度和小窗口尺度的最小值滤波的特点,将两者通过近似景深关系加权融合获得融合暗通道,从而获得初级透射率;其次,利用下采样对初级透射率结合灰度图像进行快速联合双边滤波优化,使用上采样恢复原图像尺度大小,并对天空区域采用高斯函数补偿优化;最后,通过改进的大气光值,联合大气散射模型恢复所需的无雾图像。实验结果分析表明,该算法可以取得优异的图像可视度效果。（2）针对一些单幅图像去雾算法中透射率的不准确估计,以及雾气残留问题,提出了亮度变换不等式估计透射率的图像去雾方法。首先,利用亮度和反饱和度进行亮度变换不等式补偿构造场景深度,并使用对数变换进行灰度扩展;其次,采用正则化对场景深度优化,解决相邻像素的差异过大问题,逼近精确场景深度;然后,根据局部恒定假设,利用局部平均深度和联合双边滤波估计动态大气散射系数,结合场景深度和动态大气散射系数获得透射率。最后,使用中值滤波和区间估值优化局部大气光,并通过大气散射模型恢复无雾图像。最终结果证明,提出的方法图像信息明显增加,能够改善天空区域,获得较好的去雾效果。（3）针对传统的去雾算法出现色彩失真,以及深度学习的去雾网络存在残雾等情况,提出了一种特征融合和残差补偿的去雾方法。首先,局部特征通过通道数金字塔结构提取细节信息和不同尺度的池化层获取各对象的上下文信息,确保细节信息的完整性;其次,全局特征使用空洞卷积的级联残差块提取,加以结构特征权重对全局特征进行权值重构,且局部特征和全局特征后均使用SENet结构对通道进行加权;最后,将特征堆叠融合图进行残差梯度补偿得到无雾图像。实验结果显示,本文网络能够恢复大量图像细节,色彩适宜。