在雾或霾等天气条件下,成像传感器受到大气粒子的影响,从而导致其采集到的图像出现对比度下降,颜色失真,亮度不均衡,细节丢失等问题,使计算机视觉系统受到严重影响,难以发挥其应有的作用。清晰图像在视频监控、人脸识别等领域有极其重要的作用,而降质图像会严重影响分类、检测和识别等高级计算机视觉任务。因此,图像去雾技术或图像清晰化处理吸引了国内外研究者的广泛关注。图像去雾的目的是去除雾或霾对图像的影响,以获取清晰无雾的高质量图像。然而,当成像传感器采集到的降质图像不只受雾单个分量影响时,或成像场景中的雾度分布极其不均匀或无规律时,如何获得清晰无雾图像是一个更具挑战性的问题。因此,针对上述复杂条件下的图像去雾,本文研究内容如下:第一,通过分析光源影响下雾天图像的成像特点,重构大气散射模型,提出了加权导向滤波图像去雾算法,以解决去雾图像亮度不均衡的问题。该方法在大气散射模型中引入了光分量,通过构造光衰减因子以消除光源对图像的影响。分块估计大气光值,并采用加权导向滤波更好地优化透射率,最后通过判断图像中是否存在光源以自适应处理光源影响和非光源影响的雾天图像。通过大量综合实验发现,该方法可以有效去除光源和雾对图像的影响,并获得颜色逼真、亮度均衡、细节丰富的复原图像。第二,提出了结合注意力和图像超分辨的双分支网络,以完成复杂条件中非均匀雾度图像去雾任务。针对之前去雾方法可能会导致非均匀雾度图像去雾不彻底、细节丢失和颜色失真等问题,本文在迁移学习分支中引入了自适应混合策略以更好地融合特征;在残差注意力引导的超分辨分支中,提出了残差注意力引导的超分辨模块（SRA）,以捕捉模糊图像的细节。两个分支中都利用了注意力机制,通过不平等地处理不同的特征和像素区域,来精确地处理雾分布不均匀的图像。实验结果表明,对于室外图像数据集NTIRE2021、NH-HAZE、O-HAZE、RESIDE（OTS）以及室内图像数据集I-HAZE和RESIDE（ITS）,本文方法在定量和定性方面优于目前的去雾方法。第三,提出了基于图像分层和循环一致性对抗网络（Cycle-Consistent Adversarial Network,CycleGAN）的单幅图像去雾模型。为了给合成图像域到复杂条件下真实图像域的迁移学习提供基础,并更好地适应实际应用中的需求,本文将图像分层思想与深度学习相结合,采用导向滤波对生成器生成的图像分层,并采用增强块对纹理层进行增强。同时,本文构造了颜色-细节联合损失,保留更多的颜色和细节信息。实验结果表明,本文方法在定性和定量方面都有更好的结果。