随着计算机视觉的发展,图像已经成为人类信息传递的重要手段,其中图像质量是图像数据的重要指标,而在雾天等恶劣天气下,常常会出现诸如图像细节丢失、图像色差、图像对比度下降等问题,这些问题会影响成像设备获取到的图像。这些低质量的图像,不仅仅影响肉眼所见的主观感受,更为关键的是,其作为一组低质量数据会降低许多智能系统的效率甚至导致更加严重的后果。如遥感系统、安防监控、无人驾驶等,清晰的、高质量的图像是这些智能系统发挥作用的必要条件。随着机器学习以及深度学习的诞生,其在图像去雾领域慢慢的取代了传统的图像增强以及图像复原方法,然而后者并非完全消失在该研究领域,基于深度学习的诸多去雾算法也依赖于传统方法的经典理论。本文结合了传统图像复原方法所提出的大气散射模型,为图像去雾算法引入了物理模型作为依据,同时并非简单的通过深度学习来学习所需参数,而是通过大气散射模型的思想重新构造了网络结构。由于雾气会使得图像的部分细节缺失,所以采用生成式模型来进行去雾操作是可行的,而在生成式模型中,生成对抗神经网络具有并行性、渐近一致性以及生成函数的灵活性等优势,所以本文的图像去雾算法是基于生成对抗神经网络而设计的。以该深度学习模型为基础,本文设计了一种用于单幅图像去雾的网络,基于现有的生成对抗网络模型进行改进,在判别器中使用了多尺度判别网络,同时结合了自注意力机制,相比单纯的堆积卷积核而言,其通过简单的查询与赋值就能获取到特征图的全局空间信息;而在生成器中,通过对空间特征和大气光强度的融合建模来进行去雾,提出了一个雾气特征提取模块,同时在其中巧妙的使用了空间自适应归一化层以及实例自适应归一化层,避免过多的信息丢失,最后结合残差学习的思想设计了本文的去雾算法。与现有的去雾算法相比,本文的主要创新有以下几点:（1）结合了传统去雾方法中的大气散射模型,使得本文的算法更具有理论依据,而不仅仅是利用深度学习的强大学习能力进行端对端的图像去雾。不同于以往的依赖物理模型的深度学习方法,本文借鉴大气散射模型的思想,对生成网络进行了重新构造。（2）在生成器中提出了雾气特征提取模块,能够将空间特征和大气光强度融合起来进行学习,同时在其中引入了基于空间自适应归一化层和实例自适应归一化层,尽可能的保留了有用信息。在判别器中将自注意力机制和多尺度判别网络结合起来,避免了大量的卷积层堆叠,能够更好的提取到全局特征信息,加快网络的训练速度。（3）通过残差学习的思想对生成器网络进行改进,在网络中加入跳跃连接来构造残差网络,在保证网络深度足够以学习到更深层特征的情况下,加快了网络的训练速度,同时避免了梯度消失等问题。