近年来,随着深度卷积神经网络在计算机视觉领域上的显著性进步,特别是通过卷积神经网络进行人体姿态估计取得了较好的效果,同时图像处理领域也取得了明显的进步。自然场景下采集的图像可能含各种噪音(像雾气、雨滴、以及高斯白噪声等)的干扰,严重的影响了图像中人物的可观测性。本文主要对图像处理领域的图像去雾、图像去噪和高级计算机视觉中的人体姿态估计三个方面进行了研究。针对大多数图像去雾算法模型参数估计准确性差及色彩失真等问题,提出了一种端到端的密集连接扩张卷积神经网络。首先,通过使用多层密集连接结构来增加网络的特征利用率,避免网络加深时的梯度消失现象。其次,通过在密集块中使用不同扩张率的扩张卷积,使网络在充分聚合上下文特征信息时不损失空间分辨率,并避免了网格伪影的产生。最后,为了提高算法的去雾能力,我们将该网络划分为多个阶段,并在每个阶段引入侧输出模块,从而获得更精确的特征信息。实验结果表明,所提出的去雾算法无论是在合成数据集上还是在真实数据集上都取得了较好的去雾效果,恢复的色彩更接近无雾图像,并且定量评价指标峰值信噪比(PSNR)和结构相似性(SSIM)均优于其他对比方法。针对数字图像采集过程中产生噪音影响及盲去噪的鲁棒性问题,提出一种高密度连接的残差密集连接扩张卷积神经网络。该网络以残差密集扩张模块为网络的主干,首先通过使用不同大小的扩张率增强感受野,提高空间上下文特征信息的利用率。其次,采取密集连接的形式,从浅层中就开始保证了提取出来特征的真实性。最后,在使用密集连接结构的同时引入残差思想,进一步的提高网络各层提取特征信息的有效性和真实性。为了进一步的提升网络的性能,利用浅层中的底层特征信息进行辅助训练,提高网络在未知噪音上的处理能力。实验结果表明,所提出的去噪网络在BSD68和Set12数据集上的峰值信噪比均优于其他对比方法,且在未知噪音水平的情况下也达到了较优的结果。针对当前的大多数人体姿态估计算法主要是在网结构上进行一定程度的变化,忽略注意力机制的积极作用及存在噪音的影响。本文通过采用Simple Baseline网络为基本框架,并向其中Resnet-50网络的瓶颈结构(Bottleneck)里添加注意力,分别使用Bottleneck+SE和Bottleneck+CBAM两种注意力瓶颈结构作为网络基础结构。通过在网络的每一个瓶颈结构不断修正特征图的权值,从而不断的提升人体姿态估计网络的识别效果。实验结果表明,所改进的人体姿态估计网络在COCO和MPII两个标准的人体姿态估计数据集上的识别效果均优于其他对比方法。