图像去雾是指对雾天采集到的有雾图像进行去雾处理,使得图像清晰化,提高图像质量。近些年,图像去雾算法的研究越来越多,取得了一定的成效,然而,这些模型仍旧存在着一些问题,例如模型性能与运行时间之间的平衡、模型无法有效地去除浓雾、合成数据集上训练的模型无法有效迁移到真实场景和去雾后的图像在小目标检测上效果不好等,这些问题导致去雾算法无法在实际场景中被很好的应用,为了解决上述问题,提出本文的研究内容,本文主要研究内容和创新点有如下三点:（1）针对现有图像去雾算法在浓雾场景,无法有效去除雾霾,存在雾霾斑块的问题,提出了一种端到端的基于全局特征融合的图像去雾网络（GFFN）。本文设计了多尺度全局上下文融合（MGCF）块来捕获全局上下文特征并将它们集成到网络中以协助浓雾区的恢复;之后使用简化的像素注意力（SPA）块与MGCF块串联形成全局特征融合注意力（GFFA）模块;然后基于局部残差学习和GFFA模块,提出特征增强（FE）模块作为基础模块搭建编码器-解码器架构,使网络能够专注于增强更有用的特征。实验结果表明,与前沿算法相比,该算法取得了最优的性能,在峰值信噪比和结构相似性上分别比次优的模型提升了1.13d B和0.014,能有效消除雾霾斑块,适用于浓雾场景,并且可实现快速去雾。（2）针对现有的图像去雾网络大多在合成数据集上进行训练,无法有效地将其迁移到真实场景的问题,本文通过结合基于先验的方法和基于深度学习的方法,提出基于先验特征融合的端到端图像去雾网络（PFFN）。首先,本文设计了先验特征提取（PFE）模块,利用支持反向传播的方式提取出暗通道先验和颜色衰减先验特征。其次,本文结合注意力机制设计了可以对两种先验特征进行自适应融合的先验特征自适应融合（PFAF）模块。最后,把融合后的先验特征以多尺度融合的方式加入主干网络的解码阶段。实验结果表明,在OTS和O-HAZY数据集上,本文的模型都具有最高的峰值信噪比和结构相似性,峰值信噪比的值比次优模型分别高0.48d B和0.44d B,并且能够较好的迁移到真实场景。（3）针对去雾后的图像缺乏细节信息,在小目标检测上效果不好的问题,本文提出面向小目标检测的端到端图像去雾网络（ORSBN）,利用原始分辨率子网让特征图保持原始分辨率不变,以此保留更多的细节信息特征,让去雾后的图像更适用于小目标检测。然后,通过实验评估和分析了本文所提出的三个算法在目标检测任务中的应用情况以及适用场景,与前沿算法相比,GFFN、PFFN和ORSBN模型分别在大物体检测、中等大小物体检测和小物体检测上达到了最好的性能。本文针对不同问题提出了三种图像去雾模型,三种算法的参数量都在10M以内,以保证模型运行效率,并在目标检测任务上证明了三个模型的有效性和先进性。