在大雾天气下,户外成像设备由于受到大气中液体水珠构成的可见聚合体影响,导致采集到的图像出现色彩保真度下降和内容信息丢失等图像质量退化问题。降质图像不仅会影响人类视觉系统对图像的感知能力,而且会制约检测、识别等上层计算机视觉系统在雾天环境下的工作性能。尽管基于深度学习的图像去雾方法取得了一定的去雾效果,但是仍然存在图像中非均匀雾无法完全去除、去雾后的图像出现颜色失真和纹理细节模糊等问题。因此,研究如何从雾天降质图像中恢复出高质量的去雾图像,进而提高图像的整体观感和上层计算机视觉系统在雾天的工作性能是当前去雾领域的工作重点,具有重大的意义。本文提出了一种基于多模态注意力残差组的图像去雾模型用于图像去雾任务。首先,本文提出了一种基于多模态注意力机制的残差组模块。残差组能够避免特征信息在传递过程中的信息损失,多模态注意力机制通过对不同通道和像素上的雾特征赋予不同的权重,使模型重点关注雾浓度较高的区域。两者结合能够提高模型对图像中非均匀雾的特征提取能力,减少去雾后图像出现的残留雾现象。其次,考虑到去雾后的图像存在颜色、亮度、对比度和内部结构性信息与清晰的标签图像不一致的问题。引入多尺度结构相似性损失函数作为去雾后图像的结构偏移控制项,引入平均绝对误差损失函数作为去雾后图像的颜色偏移控制项。将两种损失函数结合后参与模型训练,有效提高了去雾后图像的视觉效果。最后,为了解决图像去雾后出现的纹理细节模糊问题,使用亚像素卷积模块作为模型的主要上采样模块,通过将图像的像素重新组合的方式进行上采样,避免了填充额外像素对图像质量的干扰,提高了去雾后图像的纹理细节清晰度。经过实验验证,本文提出的去雾方法可以有效恢复真实有雾图像中的内容信息。在合成的有雾图像数据集SOTS上的峰值信噪比达到了34.25d B,结构相似性达到了0.985,去雾后的图像内容信息完整且没有出现模糊伪影和颜色失真等现象。在雾天场景下的文本检测任务和语义分割任务中,使用本文方法对有雾图像进行预处理,可以显著提高模型的检测和分割性能。