雾是一种常见的自然现象，在雾天等恶劣天气下获得的图像会严重退化，对军事、交通、遥感图像等各领域的图像信息处理造成了极大影响。所以，研究雾天图像恢复具有重要实际意义。本文首先简单介绍了大气气溶胶粒子对光传播的影响和大气退化物理模型，然后重点分析Retinex算法。Retinex是一种基于颜色恒常性的图像增强理论，其核心思想是通过估计图像的照度分量来获得物体的反射分量，即物体的本来面貌。与其他图像增强方法相比，Retinex算法具有颜色恒常性、动态范围压缩大、锐化明显的特点，所以本文着重分析了该理论。然后介绍了Retinex理论的提出与发展历史，详细分析了McCann算法，McCann99算法，SSR，MSR，MSRCR，可变框架Retinex。根据实验结果，评价了这些算法在提高图像对比度、颜色保真、计算复杂度等方面的优劣性。之后从照度分割和数学分析角度对经典Retinex算法做了改进：(1)本文通过引入LIP模型照度分割把原始图像分割到四个照度区域，然后根据照度区域的照度特征采用最合适的尺度参数进行Retinex算法增强，最后通过基于面积的比例因子把多照度区间图像融合，实现图像去雾。照度分割Retinex能够更好的体现每个尺度参数在色彩保真和细节增强上的优势。(2)根据数学定义分析，基于路径的Retinex算法具有数据冗余性，并且存在几何路径依赖性高、计算量大和样本噪声的问题。于是本文采用了一种新的方法，随机集合Retinex算法，用二维区域像素点集合代替传统的路径像素点集合来分析颜色视觉的局部特性。把传统的路径比率比较问题转换为像素点集合最大值寻找问题，实现了计算复杂度的优化。并且随机集合算法的参数只要测量图片大小就能得到，易于实现。