随着信息化技术的飞速发展,多种多样的成像设备已经遍布到各个角落,好的成像质量成为信息化系统成功的重要前提。雾霾、烟雾的存在使得成像设备所获取的图像朦胧不清,直接影响着信息化系统对图像的进一步利用。因此,从有雾图像中恢复出高质量无雾清晰图像成为重要的实际需求,对去雾算法的研究有着现实使用价值。本文从去雾算法的发展历程和研究现状入手,研究图像去雾算法常用的理论知识和技术基础,对比了六种经典的去雾算法,发现经典去雾算法的一些优缺点,通过对比研究它们的去雾效果,总结出四条经验,为后续去雾方法的研究提供参考。针对经典去雾算法中总结出的经验,本文基于编码器-解码器结构,结合多尺度融合技术、特征注意力机制、可变形卷积和对比正则化,提出一个去雾网络C-DehazeNet。本文选用翻译网络CUT对数据集进行扩展,用于缓解域偏移问题。设计并实现了一个图像去雾系统,将本文研究的去雾方法集成到系统中。本文所做工作如下:1.梳理去雾算法发展过程中的主要算法演变过程,选择了其中较为经典的六种方法进行研究,通过各个网络自己对比及不同网络间的相互对比,分析它们的优缺点,总结出四条在设计去雾网络时可以参考的经验;2.提出C-DehazeNet去雾网络。使用室外训练集OTS训练网络,从主观角度对比优化网络和经典去雾算法的去雾效果,使用客观评价指标数值验证所提网络的有效性,通过消融实验证明C-DehazeNet各模块的有效性;3.大多数去雾算法使用合成数据集训练网络,所得模型对真实图像去雾效果不佳,这类在合成域上训练模型对真实域图像处理效果不好的现象称为域偏移问题。为缓解域偏移问题,本文使用图像翻译网络CUT,将有雾图像数据集相互翻译,用以弥合域偏移的鸿沟;4.设计并实现了一个电脑端图像去雾系统。系统集成了六种经典的去雾方法和本文提出的C-DehazeNet,用户可根据需要选择去雾方法及对应的模型进行去雾。本文使用RESIDE数据集中的室外训练集（OTS）和经过翻译的扩展数据集训练网络,使用真实有雾图像和综合目标测试集（SOTS）验证网络的去雾效果;选用峰值信噪比（PSNR）与结构相似性（SSIM）对去雾网络进行客观评价;对比去雾图像的色彩还原、对比度、亮度和局部细节恢复情况对去雾网络进行主观评价。