在雾霾天气下获得图像的质量大幅降低,空气中的水汽,悬浮颗粒物等直接影响到相机成像的效果,使得雾霾天气获得的图像不能直接应用于许多计算机视觉任务。另外一方面雾霾天气下获得的图片质量下降,影响到了照片的观感。因此如何降低雾霾对图像的影响,提高雾霾天气下获得图像的质量是具有重要应用价值的研究。本文利用结合注意力的深度学习技术对单幅图像去雾进行了较为深入的研究,并且取得了一些研究成果。主要的工作如下:（1）在图像像素域上研究了去雾。具体的,设计了两种基于注意力机制的卷积神经网络在合成数据集上学习如何去雾。其中基于注意力的分层次密集连接去雾网络主要是受Dense Net的启发,并且为了克服Denseblock只能利用局部先前信息的缺点而引入了不同层级上的密集连接机制。另外为了进一步提升网络的去雾性能,本文在网络的基本块中引入了卷积注意力机制。最后为了更好的融合网络主干上的特征,本文引入了多尺度上的特征融合机制。另外一种基于多尺度卷积注意力的去雾网络一方面简化了上述网络结构,还对上述网络的注意力模块和多尺度的特征融合模块进行了改进。实验结果证明本文提出的两种像素域上的去雾网络都能够有效的进行图像去雾,相比于分层次密集连接去雾网络,多尺度卷积注意力的网络减少了显存的需求的同时进一步提高了去雾性能。（2）研究了在频域上进行图像去雾。首先利用图像的分块离散余弦变换得到图像的DCT系数矩阵,然后按照Zig-Zag编码顺序将系数矩阵划分成低频、中频、高频三个分组,针对不同频率的分组分别使用频域上的去雾网络学习去雾。由于在频域上的三个去雾网络是可以并行推理的,因此该方法的时间复杂度主要取决于计算时间最长的频域去雾网络。（3）由于频域上的去雾网络中低频分量的去雾十分重要,因此本文在低频去雾网络上引入了一种基于暗通道先验的注意力机制。首先利用暗通道先验结合导向滤波估计图像的传输图,由于大气散射模型中的传输图本身就包含空间信息和雾霾浓度信息,并且所有元素值范围在0,1之间。因此本文将其取反加一作为网络的注意力图输入网络。实验结果证明本文提出的基于暗通道注意力的频域去雾网络能够有效的去雾,并且获得色彩自然的去雾图像。