图像质量增强是物体识别和检测、三维重建、目标跟踪等计算机视觉任务中不可或缺的预处理过程。视频图像去雨雾算法的目标是将被雨雾污染的图像恢复为不含有雨雾的清晰图像,从而达到图像增强的目的,现有的视频图像去雨雾技术只在去雾或去雨中的一项任务中表现很好,具有一定的单一性。本文研究能够同时完成去雨和去雾两种任务的算法,提出一种基于深度残差网络的视频图像去雨雾算法,主要工作如下:1)针对目前的去雾去雨算法网络模型过深而造成的实时性低、参数复杂、去雨雾效率低的问题,本文提出了一种基于改进的深度残差网络的去雨雾网络模型,用注意力机制对深度残差网络进行改进,注意力机制从通道和空间两个维度自适应的学习雨、雾特征,使网络模型得到了精简。本文提出的算法既能去除雨滴和各个方向的雨纹,又能去除不同浓度的雾,具有较高的实时性,对于单幅图像的处理运行时间在0.1 s以内;本文中设计的基于深度残差网络的去雨雾网络模型误差值收敛在0.004附近,具有较高的精度,有广泛的应用价值。2)针对一些去雨雾算法的图像处理结果过于平滑、丢失背景细节信息的问题,本文从两个角度解决了问题:细节保持模块和损失函数。首先,本文在网络模型中加入了细节保持模块,由生成对抗网络中的判别器构成,能够学习输出的图片与干净背景图的差别,使输出的图像更接近真实图像,从而保证图像细节不丢失;其次,一些算法中仅使用均方误差函数作为损失函数,会造成效果过度平滑,本文在均方误差函数的基础上加入了结构相似度函数和对抗损失函数,较好的解决了过度平滑的问题,本文采用的损失函数方法效果相较于其他损失函数的PNSR值达到了27.6 d B,在SSIM指标上达到0.936。3)本文选用现有去雾数据集RESIDE、雨纹数据集Rain12000和Rain100L数据集、雨滴数据集Raindrop,并采集大量真实世界动态场景雨雾视频和图像来训练和测试网络模型,使本文网络模型能够去除不同浓度的雾和雨,更具有鲁棒性。