在真实环境中采集的图像易受雾霾等天气影响,出现对比度下降、纹理细节模糊不清等问题。随着深度学习技术的发展,基于卷积神经网络的深度图像去雾算法被广泛研究,并用于提升目标检测等视觉任务输入图像的质量。然而其却无法很好地平衡算法性能和计算效率:高性能算法往往存在模型复杂度高、计算效率低等问题,在诸如智能交通、自动驾驶和安防监控等实时图像处理系统上并不适用;轻量化算法虽然可以在一定程度上提升处理效率,但其复原效果通常存在很大局限性。因此,如何设计轻巧高效的去雾模型显得十分关键。本文从模型轻量化、图像视觉效果以及算法处理实时性三个方面展开研究,提出两个具有不同应用场景的轻量化图像去雾网络,有效提升了图像视觉质量和计算实时性。本文主要研究工作如下:（1）针对现有深度去雾算法模型参数多、运行效率低的问题,本文在图像空间域提出局部映射去雾机制。以此为基础,论文结合改进的多尺度特征提取模块构建了局部多尺度特征聚合网络。其通过在雾霾和清晰图像对间建立局部高相关映射关系,有效减少了模型的冗余参数,为资源受限的低配设备提供了一个轻量可行的图像去雾方案。实验表明,算法可以有效提升图像去雾质量,并具备实时的处理能力。（2）为进一步提升去雾性能并使其具有更广泛的应用,本文基于雾图RGB通道域的特征差异性提出多级跨通道融合机制,并构建了跨通道融合图像去雾网络。为实现网络的特征提取和多级融合,本文结合现有注意力模块提出内部-外部通道特征注意力模块。实验表明,算法显著提升了模型性能,并在各类数据集上具有更高的客观指标和更强的泛化能力,有效解决了模型复杂度和计算效率的不平衡问题。（3）为了验证本文算法的轻量性和实用性,本文基于Py Qt5的GUI框架,实现了图像去雾系统的原型设计。通过在系统生成图像质量和系统处理效率两方面对本文轻量化图像去雾算法进行系统评估实验,有效证明了其在系统中实时高效的实际应用价值,并为图像后期任务提供了一种便捷的图像处理工具。