图像分类作为计算机视觉最基础的重要研究领域,主要是研究如何将图像划分到正确的类别,相当于一个模式分类问题。而一副模糊的图像作为输入会对图像分类以及其他视觉任务造成一定的干扰,严重影响视觉任务的准确性。为了提高视觉任务的准确性,越来越多的学者们投身到改进图像分类和图像重建的研究中。以往的图像分类方法大都停留于学习图像的浅层特征,而图像重建,尤其是雾类图像重建主要依赖物理知识对图像进行刻画。随着人工智能的发展,卷积神经网络(CNN)的出现帮助我们解决了许多难题。由于CNN在图像任务中取得较大的成功,现下我们也将其应用到图像分类中,由浅入深的学习图像各层特征;而图像去雾则借助相关的先验知识利用CNN估算其清晰图像从而解决问题。本文在图像重建任务中主要针对雾类图像进行实验,应用已有的理论方法,使用Keras框架下的“ResNet50”模型对图像的特征学习,利用作者自建的数据集进行训练,优化该模型的特定分类效果;而去雾任务中选用“AOD-Net”模型,该模型基于先验知识对大气散射模型进行变换,精进大气散射系数的估算方法,减少误差,提高图像的重建效果。此外,本文将分类模型与去雾算法连接形成管道,可以达到“隐式去雾”的效果,也可与其它视觉任务进行衔接,为以后的高级计算机视觉任务奠定了基础。在实验部分,除了用自建的数据集进行训练、验证外,作者还使用了近年来的公开数据集“DID-MDN”、“I-HAZE”、“O-HAZE”和“DESIDE”测试分类模型的效果。最终,“ResNet50”分类模型对雾类图片识别准确率超过90%,雨类约80%,无关类约为61%;“AOD-Net”去雾模型对图像的重建效果较好,当图像分类错误被送入该模型重建后也不影响视觉效果。