近年来,雾、霾等恶劣天气现象出现的频次增多,雾气中的悬浮微粒直接影响人们从户外获取清晰图像的工作。而雾天获取的降质图像,其画质显示为模糊不清,严重影响了人们对图像特征信息的识别和提取工作。对雾化图像进行清晰化去雾处理,在交通监控、军事与民用航拍、目标跟踪、遥感卫星等领域中,具有重要的研究价值。针对现有许多图像去雾方法普遍存在有耗时长、效率低且易失真等问题,本文基于深度学习技术机理,对采用常规卷积神经网络模型去雾的方法进行深入的研究和探讨,提出一种基于多尺度卷积神经网络改进的图像去雾算法。其研究方向如下:首先,本文对基础雾天成像模型及传统的一些基于物理模型和非物理模型的去雾方法进行简要介绍。研究发现,传统基于物理模型应用到图像去雾处理中,普遍取得较佳效果。本文基于深度学习基础框架下,依据卷积神经网络模型对数据集进行训练以实现图像特征自动提取的特点,在此基础上,探索一种基于深层信息与浅层信息相融合提取的多尺度卷积神经网络改进算法,以快速有效地实现单幅图像清晰化去雾处理。其次,本文基于卷积神经网络训练数据集基础上,设计一种具有粗、细两种不同尺度架构的卷积神经网络模型,目的是实现图像深层与浅层特征信息精细透射率的自动提取工作。实验先设计一组用于估计图像深层信息透射率的粗尺度网络,接着设置一组具有细化图像局部浅层结构功能的细尺度网络来获取到精细透射率,最后依据雾天图像退化模型结合估计的大气光值复原出清晰无雾图像。最后,实验采用美国明德学院立体图像库合成的雾天图像和户外真实图像来进行去雾测试,并与几种去雾算法的结果进行比较和分析。本文采用峰值信噪比(PSNR)、结构相似度(SSIM)以及运行时间三种定量标准,来验证算法的可行性和有效性。实验结果表明,本文算法的各性能指标最高,复原后图像特征信息清晰,保留的结构信息更接近于原始清晰无雾图像,其运行效率也高于几种去雾算法,整体取得了很好的去雾效果。