雾霾是一种常见的自然现象,由于空气中灰尘、烟雾和其他悬浮粒子的存在,反射光线会在目标场景和成像系统之间发生散射并且造成能量的衰减,因此成像图像会存在模糊不清、对比度降低和色彩失真等问题。随着社会的发展和科技的进步,图像被应用在人类生活的各个方面,雾霾天气下采集到的低质量图像会影响视觉体验、降低系统的性能并影响其应用价值,更有甚者会严重影响人们日常生活乃至危及人员和社会的安全。目前图像去雾正朝着图像复原和深度学习的方向发展,然而目前大多数图像去雾算法都存在光晕效应、色彩失真和去雾不完全等问题。基于此,本文拟以消除去雾图像的光晕效应和色彩失真为目标,以大气散射模型为载体,系统研究具有更高性能的图像去雾算法,主要工作如下:1.提出了一种融合亮暗通道的图像去雾算法。首先,将不同尺度大小的暗通道进行加权融合,融合后的暗通道综合了大小两种尺度暗通道的优势。其次,针对全局常量的大气光值不能自适应图像中雾霾浓度的不同,提出采取亮通道和暗通道先验融合策略,精确地估计每个像素的大气光值。同时,采取亮通道和暗通道融合方式联合优化求解透射率,解决图像天空区域或白色场景透射率估计不准确的问题。最后,采用加权引导图像滤波细化透射率和大气光值,并根据大气散射模型恢复得到无雾图像。2.提出了一种结合残差学习和加权引导滤波的图像去雾算法。首先采用并行多尺度卷积层提取有雾图像特征并进行特征融合。然后为解决网络层数增加引起的参数量剧增的问题,提出在残差结构中嵌入深度可分离卷积层,用以更好地学习透射率。最后根据大气散射模型反演得到无雾清晰图像。实验结果表明,本文算法相较于其他对比算法具有一定的优势,在图像对比度和图像信息熵指标上取得了一定的提高。在基于深度学习的图像去雾算法中,图像峰值信噪比（PNSR）达到29.71 d B,结构相似度（SSIM）达到0.96。去雾图像能较好地避免光晕效应,图像质量得到了提高。