近年来随着环境的变化,雾霾天气频繁发生,而且是各种天气条件中对视觉影响较为严重的一种。雾霾天空气中会悬浮着很多粒子,这些细小颗粒通过散射的作用,会削弱景物的反射光,使得雾天户外场景图像的对比度和颜色被改变或者退化。并且图像中蕴含的大多数关键特征都被雾淹没,图像出现严重的颜色扭曲和局部块失真,大大削弱了图像的实用性,给户外图像采集设置了一定的障碍,致使这些系统运转失常。是以,探究怎样有效地复原雾霾等恶劣气候下获得的有雾图像很有必要。本文详细描述了雾天成像模型,对基于增强、复原的图像去雾算法进行了系统的阐述,并对其理论思想进行了简要的介绍说明。接着讨论了现有基于学习的图像去雾方法,分析了算法的理论和优缺点,同时引出本文研究主题:基于卷积神经网络的图像去雾算法。本文将深度学习应用于图像去雾,提出了一种基于卷积神经网络的单幅图像去雾算法。本文方法利用深度卷积神经网络直接学习雾霾图像与其相应霾层(有雾图像与无雾图像之间的残差图像)之间的端对端映射。该网络以有雾图像作为输入并输出残差图像。然后从有雾图像中直接去除此残差图像,而且无需其它任何参数的估计,即可获得复原的无雾图像。残差学习允许网络以相对较大的学习率直接估计初始霾层,降低计算复杂度并加快收敛过程。另外,不同于传统去雾方法分开估计每个参数,我们的方法在训练时联合优化所有层参数。由于估计的初始霾层相对粗糙的,所以使用引导图像滤波器来细化,避免光晕和块伪影,使得恢复出的无雾图像更接近真实场景。最后,本文在Caffe深度学习框架下实现了该去雾算法,并对实验结果进行了详细的分析和对比。本文对不同雾浓度的有雾图像的去雾效果进行测试,并与.当前最先进深度学习去雾算法及其他经典算法进行对比。实验结果显示,本文设计的卷积神经网络模型在图像去雾上的应用,不论在主观效果还是客观指标上,都有明显优势。