雾和霾的出现不仅会影响室外景物的呈现,还会降低户外拍摄的清晰度,造成图像色彩失真。所以,寻找高效的去雾技术,改善图像的清晰度是非常有必要的。有雾图像通常会出现模糊、失真和其他可见的视觉质量下降,从而影响某些高级视觉任务的执行。因此,单图像去雾一直是富有挑战性并具有重要意义的研究。卷积神经网络在图像去雾任务中具有广泛的应用,但是卷积运算的局限性限制着去雾任务的发展。现今,Transformer在计算机视觉领域的发展中表现出了优越的全局性,并且位置关联不会随网络的加深而增长。另一方面,现有的基于深度学习的去雾方法过多的强调去雾,而忽略了图像颜色恢复。因此,很多去雾方法经常会受到颜色过饱和、颜色不足或者偏色等问题的困扰。针对上述问题,本文采用深度学习技术对单幅图像去雾方法深入展开以下方面的研究:（1）提出一种基于颜色层的渐进去雾方法。该方法通过反复调用一个辅助网络来逐步恢复图像,利用软颜色分割所捕获的RGBA图像信息作为辅助学习的输入。具体地说,首先在特征提取模块中引入了门控循环单元,它可以在防止模型过拟合的同时有效地提取图像特征。然后,通过结合循环层和残差块,在残差学习模块中提取局部特征。最后,融合模块对这些特征进行融合,生成具有丰富细节的清晰图像。此外,在每个阶段都使用递归计算来降低网络参数,提高网络性能。大量的实验结果表明,该方法在定量和定性评价上都优于先进的方法。（2）提出一种基于Transformer的两阶段去雾方法。具体来说,在第一阶段中,结合Transformer和卷积神经网络改进了编码器和解码器,从而实现基本特征提取。编码器中每层仅对局部进行关系建模,不断降低特征图分辨率,扩大感受野。另外,在编码器单元和解码器单元间加入了块间监督机制,用于细化特征,并通对其进行监督选择,提高特征的传递效率。第二阶段使用原始分辨率块提取局部特征,并进行特征融合和交互。此外,为保证第一阶段中真实特征信号的传递,提高网络的传递效率,在阶段间加入融合注意机制,将早期输入特征的残差图像添加到第一阶段获取的图像中,传递给下一阶段。消融实验表明,所提出的两阶段网络显著地提高了图像质量和视觉效果。在RESIDE数据集、O-HAZE和I-HAZE数据集上的实验结果表明,所提出的方法比先进的去雾方法更有效。