随着计算机视觉及其在交通、安全监控等各个领域的应用,图像已经成为日常生活或科学研究中较为重要的信息来源。但是在天气状况不好、能见度较低的情况下,成像系统采集到的户外图片就会受到恶劣天气的影响,导致获得的图片对比度降低、信息丢失、质量不佳,加大了后续对图片的处理的难度。例如雾天情况下,图片对比度降低、退化严重,而雨天情况下,下落的雨滴会造成局部区域的亮度过高等情况,图片辨识度不高。因此,解决恶劣天气下获得的图片质量不佳的问题渐渐成为图像处理领域的首要任务。针对不良天气引起的图像降质,本文主要考虑雾天和雨天条件下获取的图像,介绍了单幅图像去雾及去雨的国内外研究现状,具体分析了不同天气情况下图像退化的机制。通过与各类算法对比,确定了基于深度学习进行图像去雾和图像去雨恢复算法的研究,分别提出了对图像去雾及图像去雾去雨的相关算法。本文的主要工作及贡献如下:(1)针对单幅图像去雾问题,提出了基于循环生成对抗网络的去雾模型:DDCycle GAN。基于神经网络设计了不需额外估计参数的端到端去雾模型,通过增加判别模型改变循环生成对抗网络的结构,提高网络在训练过程中的稳定性,然后改进损失函数并最小化对抗损失使恢复出的图像更加清晰、真实。通过对比实验,结果表明该方法的去雾结果更优,可以极大的提高图像的对比度,同时保留了尽可能多的细节信息,且保证颜色不失真。(2)针对单幅图像去雾及去雨的问题,提出了一种无需对雨天或雾天图片分类就可直接进行图像恢复的模型:VAE-Co GAN。现有的图像恢复算法仅针对单一天气进行研究,算法无法适用于复杂的场景变化,所提出VAE-Co GAN模型结合了生成对抗网络以及变分自动编码器的优势,可以较好的恢复出雨天及雾天情况下的图片。另外,从网络的损失函数着手进行了改进,约束卷积特征层上标签图像与处理结果间的差异,即感知损失,最终实现不分类情况下恢复雨天或雾天条件下的模糊图像。通过大量的对比实验,结果表明该方法在对图像的去雾处理上比DD-Cycle GAN模型更有效,同时针对雨天图片能够较好的去除图片中的雨纹。