随着图像处理技术的广泛应用,近些年很多领域对图像清晰度的要求越来越高。但受雾霾天气的影响,实际采集到的图像数据普遍存在对比度低、细节信息丢失等现象,无法满足各领域对图像清晰度的要求,这为后续的实际应用带来了一系列问题。因此,对于图像去雾这一方向的探究便有了重要意义。针对图像去雾领域中不同类别单幅图像算法存在的局限性,本文的研究工作主要分为以下几个部分。首先分析了成像设备获取目标景物图像的过程,对影响图像去雾的因素做了详细介绍,探究了基于大气散射模型的成像机制,在此基础上做了进一步的研究;然后分别介绍了基于大气散射模型和端到端快速恢复网络的单幅图像去雾方法。对于前者,针对MSCNN和Dehaze Net在特征提取方面的不足,通过改进其模型结构,设计了一种基于多尺度残差网络的卷积回归网络MSRCRN,用于雾天图像透射率图的预估。该网络能够提取雾天图像不同尺度的特征,使得学习能力有了一定幅度的提升,结合估计的大气光照值,可以利用大气散射模型获取最终的目标图像;而对于后者,考虑到图像处理的质量和时间等因素,与MSRCRN的设计思想不同,构建了一种轻量级的网络模型,不依赖现有的先验知识或成像模型,直接学习雾天图像和其对应雾霾层之间的信息联系,在保障一定去雾质量的前提下,进一步优化网络模型结构,降低图像处理的时间,使其可以满足实时性场景的需求;最后选取了几种具有代表性的去雾方法用于设置对比实验,通过表格和折线图等形式展示了实验结果,并利用全参考和无参考的图像质量评价指标对实验结果进行细致化的分析,从而验证了本文去雾方法的显著性能。通过对前人研究成果的深入分析,以此为基础改进并设计的两种基于不同去雾思想的单幅图像去雾方法能够满足不同场景下对图像的需求。基于MSRCRN网络的去雾方法可以应用于需求高质量图像的场景,其去雾效果具有一定的保障;基于端到端网络的去雾方法更适用于对实时性要求较高的场景,对于大批量的图像数据进行处理时其优势更为明显。