雾霾是一种常见的天气现象。空气中的雾霾会导致摄像机拍摄得到的图片的清晰度和能见度降低,从而导致其应用价值大幅度的降低。因此,图像去雾任务有着重要的现实意义。本文首先分析了目前图像去雾算法的优缺点,然后在此基础上提出了两个不同的基于深度学习的图像去雾算法和一种像素级的图像去雾效果评价算法。本文的主要研究内容和成果如下:第一,为了将有雾图像恢复成为清晰的无雾图像,本文提出了一种需要数据对进行训练的端到端的深度学习框架去执行图像去雾任务。我们提出的深度学习网络框架不需要估计有雾图像的透射率和大气光值,而是直接估计有雾图像和对应的无雾图像之间的差,之后用初始的有雾图像加上我们提出的网络输出的差,得到清晰的无雾图像。第二,结合了传统的图像去雾算法,本文提出了一种新的激活函数去用来加快本文提出的基于深度学习的图像去雾网络的收敛速度。该激活函数被命名为反参数整流线性单元(RPRe LU)。该激活函数不仅能加快网络的训练速度,并且能提升网络的性能。第三,为了解决传统的基于深度学习的图像去雾算法需要数据对才能进行训练的缺陷。本文提出了一种不需要数据对来进行训练的基于生成式对抗网络的图像去雾模型。该模型不仅能用来执行图像去雾任务,还能将清晰的图像模拟成为雾天图像。第四,本文基于颜色衰减先验知识提出了一种新的损失函数。该损失函数可以帮助提高该基于生成式对抗网络的图像去雾模型的去雾效果。第五,为了能定量的评价图像去雾算法的效果,本文提出了一种像素级的图像去雾质量评价算法。该评价方法不仅能对整幅图像进行客观公正的评价,还能对图像中的具体某一像素点进行评价。第六,结合了有雾图像的特点,本文提出了一种新的可以粗略估算有雾图像深度的图像深度估计算法。该算法估计的图像深度可以帮助本文提出的去雾质量评价算法更准确的评估图像去雾算法的效果。