雾霾天气时有发生,这会影响人们的出行和安全,同时空气中的悬浮颗粒会造成拍摄的图像质量大大降低,导致图像的可视性变差,对比度减低。图像在交通监控、海洋监测和卫星成像等方面有重要的应用,有雾天气下拍摄的图像严重影响图像的应用价值,以及分类和识别等计算机视觉任务的性能。因此,雾天图像清晰化已经成为近年来研究任务的热点问题。图像去雾的任务是恢复出清晰的图像,提高图像的质量。对于单幅图像来说,由于包含的信息相对较少,去除单幅图像的雾霾是图像处理中面临的一个挑战。针对单幅图像去雾,本文主要分析和研究了基于物理模型和深度学习两类单幅图像去雾方法,本文的主要工作如下:（1）首先从根本上介绍了有雾图像的物理形成过程,并详细介绍了大气散射模型,然后引出了深度学习和基于深度学习的图像去雾方法,为后续研究工作奠定基础。（2）目前比较有竞争力的无雾图像恢复方法主要是基于物理模型和深度学习的方法。在图像去雾的同时保持图像的细节信息仍是一项具有挑战性的任务。本文通过将迭代去雾模型嵌入到循环一致对抗网络（Cycle-Consistent Adversarial Network,Cycle GAN）的生成过程中,提出了一个名为ICycle GAN的模型,该模型在保持基于学习的方法的去雾彻底性的同时,又保持了基于物理模型的方法的良好保真度。此外,ICycle GAN不需要成对的有雾和对应的无雾图像进行训练。为了保留更多的纹理细节和颜色信息,本文提出了细节信息一致性损失,这种损失是根据有雾图像的物理特征得到的。为了恢复高分辨率图像,本文采用有理分形插值方法对生成的图像进行放大,能够恢复图像的纹理和边缘。实验结果表明,提出的方法能产生高质量的清晰图像,与其他的方法相比在定量和定性评估方面都具有竞争力。（3）许多现实生活中的任务,都需要高质量的图像。然而,在有雾或朦胧的天气中获取的图像阻碍了这些现实任务的执行。为了满足实际应用的需求,单幅图像去雾算法要求能够以高计算效率有效地处理现实世界中的有雾图像。本文为实际应用提出了一种名为SADnet的快速且鲁棒的半监督去雾网络。SADnet利用合成数据集和自然有雾图像同时进行训练,因此对于真实世界的有雾图像具有良好的泛化能力。此外,考虑到大气环境中雾浓度的分布是不均匀的,提出了一种通道-空间-自注意力机制来增强SADnet的表达能力。大量的实验结果表明,与其他图像去雾算法相比,该方法具有良好的除雾性能和有竞争力的运行时间。