图像采集设备不仅广泛应用在生产、生活领域,极大的便利了人们的日常生活,而且在安防监控等领域的使用也为人民群众的财产安全提供了有力的保障。清晰的图像可以传递丰富的信息,是当今社会传递信息的重要载体之一。但是户外图像采集设备收集的图像的质量容易受到天气状况的影响,天气晴朗时获取的图像清晰,但在恶劣天气下（如雾、霾、沙尘等）,图像采集设备收集到的图像容易产生颜色偏灰白、对比度下降、细节信息丢失等质量下降问题。此类图像质量问题对各种基于计算机视觉的任务系统造成了不同程度的不良影响。为了提高计算机视觉系统应对恶劣天气的能力,国内外学者对雾霾天气下图像质量下降的原因和有雾图像的去雾算法进行了广泛的研究。本文基于卷积神经网络和大气散射模型对去雾算法进行研究,主要研究内容和成果如下:（1）提出了基于空间和通道特征融合的深度学习去雾算法,该算法包括去雾和增强两个模块。去雾模块同时使用两种具有相反性质的神经网络算子,利用两种算子在空间和通道维度的反对称性充分地提取有雾图像的空间和通道特征并融合,然后通过多个特征提取模块对融合后的特征值做进一步的处理,最后结合大气散射模型获得初步的去雾图像。增强模块使用限制对比度的自适应直方图均衡化（CLAHE）算法对初步获取的去雾图像进行增强,提高其视觉效果和图像对比度。（2）结合常见的损失函数均方误差和常用的图像质量评价指标结构相似性,定义新的损失函数对神经网络进行训练,进一步减少算法的去雾图像和真实值之间的误差,提高算法的去雾效果。（3）提出了基于图像均匀分割的深度学习去雾算法,该算法的核心思想是将有雾图像先进行分割再去雾。通过对有雾图像进行均匀分割,将对整张有雾图像的参数估计变成对各个子图像的参数估计,降低了有雾图像中雾气浓度分布不均对模型参数的估算难度。使用分割后的子图像进行深度学习,获取更加适合每张子图像的模型参数。然后使用这些参数结合大气散射模型恢复出清晰的子去雾图像,最后将各个子去雾图像组合成最终的去雾图像。在卷积神经网络的训练过程中,通常将多张图片同时输入网络进行批量训练,以此来提高网络的训练效率和泛化能力。将每张有雾图像的所有子图像同时输入神经网络进行参数训练,可以在不增加运算量的条件下达到更大批量的训练效果,提高了卷积神经网络的训练效率和算法的鲁棒性。在参数训练结束后,从多个数据集中随机选取有雾图像,使用多种不同的去雾算法对有雾图像进行去雾处理,使用峰值信噪比、结构相似性和归一化均方根误差对去雾后的图像质量进行客观的比较,对提出的两种改进算法的有效性和泛化能力进行验证。