在雾霾恶劣的天气条件下,悬浮在大气中的微小颗粒对光线的散射和吸收作用,导致采集到的图像对比度、能见度和饱和度降低,色调偏移,颜色失真,这严重影响了户外视觉系统的效用。因此,雾天图像的清晰化处理成为计算机视觉领域以及图像领域的一个重要问题。传统的去雾方法主要是将雾天图像进行增强,或者使用强有力的先验知识与假设,反演求解清晰去雾图像,但去雾图像易出现失真或光晕等现象。现有的基于卷积神经网络的图像去雾算法解决了手工提取特征的困难,但恢复出的图像质量并不稳定。因此,设计出网络结构较简单,不易过拟合,并且能够避免副效应的算法是有必要的。论文针对只基于卷积神经网络的图像去雾方法进行研究和改进,提出了三种图像去雾算法。首先,提出了一种结合残差学习和导向滤波的图像去雾算法,使用雾天图像与对应的清晰图像构建残差网络,利用导向滤波各向异性的优点,对残差网络估计的图像进行滤波以保持图像边缘特性。其次,给出了结合并联卷积神经网络与自适应滤波的图像去雾算法,采用雾天RGB图像YUV变换的Y、U和V分量构建并联卷积神经网络估计去雾清晰图像。最后,提出了一种结合并联卷积神经网络与有限离散剪切波变换(FDST)的图像去雾算法,该方法将雾天图像和清晰图像对的RGB三个通道分别进行一次FDST变换,将高低频子带分别通过提出的并联多尺度卷积神经网络学习对应的清晰图像的各个子带,再分别经过逆FDST变换重构获得无雾图像。实验结果表明本文所提图像去雾算法较以前的去雾算法具有一定的优势,解决了目前单一图像去雾工作中的一些难题,本文所提图像去雾算法有较广阔的应用前景。