雾霾是由于大气中的粒子吸收和散射光而引起的一种自然现象。在雾霾天气下获得的图像能见度和颜色保真度损失较严重,这些图像在计算机视觉应用中造成了重大问题。因此,单图像去雾作为一项基本的视觉任务,在过去的几十年里已经引起了计算机视觉界研究学者们的广泛关注。本论文基于有雾图像的形成原理和大气散射模型研究了基于暗通道先验的去雾算法,设计了基于图像特征量和小波变换的去雾算法。本论文还研究了 条件生成式对抗网络（Conditional Generative Adversarial Nets,cGAN）、特征提取与融合网络、注意力机制网络,设计了基于注意力机制的端对端cGAN去雾算法。通过主观视觉评价与客观评价指标对研究的这两种算法恢复的无雾图像进行了评估与评价。本论文的主要研究内容如下:（1）针对传统的暗通道先验去雾算法存在着光晕、图像偏暗、细节丢失的问题,研究了基于图像特征量和小波变换的去雾算法。首先,针对暗通道图容易产生虚假纹理以及块效应问题,引入纹理特征模型求取有雾图像局部区域的纹理特征复杂度作为约束条件,利用动态滑动窗口提高暗通道图的质量;其次,结合有雾图像亮度特征利用K-means均值聚类算法标定图像的亮色、非亮色区域去优化大气光值、透射率图,利用大气散射模型恢复无雾图像;最后,针对大气散射模型恢复的图像偏暗问题,使用基于小波变换的图像增强技术提高图像的对比度。实验结果表明,该算法能够恢复更多的场景信息和细节特征,并且在客观指标上表现较好。（2）基于图像特征量和小波变换的去雾算法需要一个良好的先验假设和大气散射模型。由于算法的准确性依赖于先验假设的准确性,图像去雾的效果有一定局限性。为了避免该局限性和大气散射模型自身的约束问题,研究了基于注意力机制的端对端cGAN去雾算法。网络模型的生成器网络包含输入卷积层、特征提取与融合模块、注意力机制、输出卷积层四个部分模块。在特征提取与融合模块中引用了具有极高的参数效率的提拉米苏模型。在注意力机制模块中引入了通道注意力和像素注意力,该模块在处理不同类型的信息时提供了额外的灵活性,更关注厚雾霾像素和重要的通道信息,提高了网络模型学习图像各像素间相关性的能力。网络模型的判别器网络引入了一种新的非线性PReLU激活函数,它能够提高无雾图像的质量。通过将提出的网络模型与最近其他流行的神经网络去雾模型相比,实验结果表明,本文研究的网络模型能够恢复高质量的无雾图像。（3）利用上述分别基于传统方法与深度学习的图像去雾算法的研究成果,本章节设计了一个图像去雾系统,该系统使本文研究的这两种图像去雾算法有了实际的应用价值。向系统直接输入一幅模糊的有雾图像就可以得到一幅对应的无雾图像以及其质量评价结果。该系统可以提高部分相关行业用户进行低质量图像恢复的效率。该系统中还设有留言讨论功能,为图像去雾领域的研究者们提供了一个可以交流探讨的平台。