雾与霾是常见的天气现象,在有雾天气或有霾天气下拍摄的图像,通常存在亮度和对比度下降以及信息损失严重等问题,这些问题会严重影响后续计算机视觉任务的性能。图像匹配算法,作为众多计算机视觉任务的基础,依托于图像特征信息,其性能受输入图像质量所影响。当其输入图像为有雾或有霾图像时,由于图像特征信息损失严重,无法准确地检测到图像特征点,从而造成图像匹配性能下降。因此,恢复图像的特征信息对有雾图像匹配任务来说十分重要。目前去雾算法大多只关注像素域的信息,忽视了特征域信息,导致恢复的图像特征信息损失严重。此外,基于深度学习的去雾算法的训练集大多为合成有雾数据集,将网络直接移植到真实场景中时,性能会出现一定的下降。针对上述情况,本文设计了一种针对图像匹配的多任务单图像去雾算法,提高去雾算法恢复特征信息的能力。本文的工作主要从以下几个方面展开:（1）从恢复特征信息的角度出发,优化单图像去雾算法。为了提高特征点检测的准确率,本文算法并不生成去雾图像本身,而是直接生成多个尺度下的去雾高斯图像。利用这些高斯图像构成尺度空间,进行特征点检测及描述子生成。（2）为了使得训练的网络能更好地处理真实有雾图像,本文利用域转换网络,学习真实有雾图像与合成有雾图像的映射关系,缩小两个域的差距,增强数据集。（3）设计了基于可替代兴趣点检测算法的新型损失函数,称其为尺度空间响应损失。利用这一新型损失函数,可以更好地恢复去雾图像的特征。最后,本文在10个公开数据集上从定性和定量两个方面进行算法评估,并进行消融实验。将去雾后的图像输入到SIFT中,检测特征点并进行匹配,验证特征点的可重复性及鲁棒性。在定量和定性测试中,本文提出的算法均能在所有评估基准上达到最先进的性能。除此之外,使用NIQE对去雾后图像进行评估。实验表明,本文算法恢复的去雾图像失真程度小,更符合人眼的评判标准。最后在合成及真实数据集上进行消融实验,验证改进部分的有效性。本方法能够在对真实有雾图像进行去雾处理的同时保留其原有特征信息,有效改善了算法去雾效果,提高了去雾方法的适用性及鲁棒性,提高后续图像匹配的准确性。