受雾霾等恶劣天气的影响,智能图像系统采集到的原始图片都普遍存在质量下降的问题,这些降质图像不仅影响人眼的主观辨别,更影响智能视觉系统的处理性能。为了提高视觉系统的准确率,有必要提高输入图像的清晰度。因此,对原始有雾图像进行去雾处理,对改善人们的生活有着重要的现实意义。目前,雾天图像复原方法主要分为传统方法和基于学习的方法。传统方法采用辅助工具或者先验知识来获得图像的深度信息,再结合大气散射模型得到去雾图像,此方法泛化性弱,在某些场景下容易引起失真和光晕效应;基于学习的方法在大样本的训练下能够自动学习有雾图和其传播图或无雾图之间的映射关系,泛化性更强,去雾效果更好。本文主要研究基于深度卷积神经网络的图像去雾方法,主要内容如下:(1)针对DehazeNet方法在特定场景下会造成传播图估计不准确进而导致去雾效果不理想的问题,提出了改进的多尺度卷积神经网络图像去雾方法。首先使用多个尺度的卷积核对原始彩色图像进行特征提取,并使用一些策略加深网络的深度,让网络更有效地学习原始有雾图像和其传播图之间的特征映射;接着对网络得到的粗传播图使用导向滤波器进行优化,并利用传播图和有雾图像求得大气光A;最后结合大气散射模型,将相关变量代入公式得到最终的去雾图像。实验结果表明,此方法在图像对比度上以及天空区域能获得更好的去雾效果。(2)针对某些情形下可能会存在传播图预测不准确的问题,本章提出一种端到端结构的图像去雾方法,输入有雾图像输出即为去雾后的图像,省去后续将参数带入大气散射公式的步骤,简单高效。且针对第三章实验中所使用的人工合成训练集存在随机生成的深度图和图像内容不相关的问题,提出一种新的有雾图像合成方法,使用该方法合成的有雾图像能够更加真实的模拟雾天图像,有利于模型更好地学习雾相关特征,进行更准确的去雾。实验结果表明,基于该数据集训练后的模型可以在合成图像集和真实图像上均取得不错的去雾效果。(3)针对多尺度级联端到端网络在复杂背景下存在去雾不足的问题,提出了一种基于Wasserstein GAN的图像去雾方法。首先,为了能够更好的学习有雾图像的结构信息和内容信息,采用FC-DenseNet结构作为生成网络;其次在损失函数中加入内容感知损失函数;最后将上一章节提出的新的室外图像集融合NYU室内图像集作为训练集,和使用深度卷积神经网络的算法进行比较。实验结果表明,此方法在具有复杂背景以及颜色深的图像上具有较好的去雾效果。