雾天条件下，空气中存在大量悬浮颗粒，场景的反射光到达成像设备前经过悬浮颗粒发生散射现象从而导致能够到达成像设备的反射光能量减弱，采集到的图像产生严重退化，无法得到有效的远景信息。采集到的降质图像相比清晰图像应用价值大幅减少，给工业生产、安防监控、军事勘测及日常生活等都带来极大影响。因此，提高雾天退化图像的质量，恢复原本的图像信息具有非常重要的理论意义和工业价值。而现有的去雾方法存在着去雾结果失真、去雾不均匀等各种问题，本文在分析雾天图像成像模型及深度学习模型的基础上，将从暗通道先验方法和深度学习方法两个方向对图像去雾方法进行研究改进。
　　首先，在暗通道先验去雾方法方面，在对大气散射模型的成像机理和基于暗通道先验去雾方法研究的基础上，本文提出了一种基于通道透射率非一致性修正的方法来改进暗通道先验算法去雾结果色彩失真的问题。R、G、B入射光频率的差异使各通道大气散射系数有所不同，从而导致各通道拥有不同的透射率值。本文通过在O-Haze数据集上的去雾实验得到最佳大气散射系数比例，从而推导出各个通道透射率间的关系，在各个通道上利用不同的透射率复原无雾图像。实验证明，改进后的暗通道先验算法有效地改善了原暗通道先验算法色彩失真的问题，去雾结果图像色彩更加真实自然。
　　其次，在基于深度网络学习的图像去雾方面，本文基于DenseNet和自编码器实现了一个端到端的图像去雾网络，通过编码器和解码器进行特征提取和特征重构，再利用多级金字塔结构融合多尺度特征，进一步提升模型表征能力。编码器与解码器对应特征图间的拼接及denseblock内部的密集连接结构加强了特征在整个网络中的传播，使浅层特征与深层特征得以融合，以利于网络提取更丰富的特征信息，同时这种连接方式加强了网络训练过程中梯度的反向传递，进一步缓解了训练时深层网络梯度消失的问题，使网络得以成功训练。大量数据的实验表明本文提出的去雾网络算法可以取得与现今一流的去雾算法具有竞争力的效果。