在雾霾天气条件下,户外成像设备采集的图像变得模糊不清,而这些降质图像所包含的有效信息大幅减少,导致特征提取困难,进一步影响了室外计算机视觉系统的有效性。因此,有必要研究图像去雾技术,以提高室外降质图像的质量,以供计算机视觉系统进行后续处理。本文的主要工作如下:（1）近年来,许多学者通过假设或先验信息,基于大气散射模型提出了许多新颖的去雾算法。其中,He所发现的暗通先验定律引起了众多学者的关注。以暗通道先验为约束条件的去雾算法取得了良好的效果,但是,后续的研究表明该先验信息仍然存在局限性。本文通过对暗信道先验去雾算法的详细分析和实验,发现暗通道先验的假设并不总是有效的,并且该算法不能有效地去除景深突变区域的雾。针对暗信道先验算法的不足,该文提出了一种新的暗信道置信度计算方法,该方法将不满足暗信道先验的区域进行划分,对该区域估计的透射率进行自适应补偿和校正,并且采用不同尺度暗通道的融合,得到边缘更精细的融合暗通道,以在场景边缘获得更精细的透射率。实验结果表明,本文的改进算法利用融合暗通道和暗通道置信度的有效结合,最终得到了更为精细的介质透射率,并且在多种场景下都取到了准确的大气光值。最后在和其它算法的对比方面,本文算法也取得了更为优异的结果。（2）基于物理模型去雾一直是一个病态的问题,解决该问题通常需要有效的条件作为支撑才能达到去雾的目的,但是深度学习可以隐式地学习物理模型中参数的关联,恰好可以代替这种先验信息。通过构建合适的去雾网络,训练网络去学习模型中的参数和有雾图像之间的关联,不用依赖于手工的约束条件,就能实现有效的去雾网络。Octave卷积是一种新型0的卷积形式,它可以将高低频特征分离再卷积,然后融合不同频率的特征。这种卷积方法可以有效地减少网络的计算量,基于这一特点,本文结合自编码器网络架构,并且使用残差Octave卷积模块代替传统正则卷积形式,设计了一种基于Octave卷积的端到端去雾网络,该网络通过构造残差Octave卷积组实现了多尺度图像特征的提取,并对提取的多尺度特征进行了不同比重的加权融合。本文利用RESIDE数据集进行网络训练,通过消融实验选择合适的Octave卷积低频特征选择比,并用于后续的去雾实验。实验结果表明,本文设计的去雾网络取得了良好的除雾效果,并在一定程度上减少了模型计算量。