单幅图像去雾的目的在于将在雾天环境中拍摄的有雾图像恢复成具有良好视觉效果的清晰图像,其作为计算机视觉领域的重要组成部分,对目标检测、无人驾驶等诸多视觉任务有非常重要的影响。因此,如何提高单幅图像去雾效果从而为后续计算机视觉任务提供高质量输入成为学者们关注的热点。通过深入分析国内外研究现状,针对现有单幅图像去雾方法存在的不足,本文对单幅图像去雾技术展开深入研究。首先,以解决当前单幅图像去雾方法中因特征提取不够充分而导致图像去雾效果不佳的问题为出发点,研究基于双分支网络的单幅图像去雾方法。在分析平滑扩张卷积在密集预测任务中的优点及特点后,构造了以平滑扩张卷积为基础的特征提取模块;基于特征提取模块构建了分别为直接学习分支和残差学习分支的双分支去雾网络,两个分支充分挖掘出不同去雾模型之间的互补信息,并恢复出不同的去雾图像;将两种去雾图像通过构建的权重生成模块进行融合,最终获得具有良好视觉效果的去雾图像。其次,以解决当前单幅图像去雾方法中因过度关注图像去雾而不可避免地将原图像中某些细节信息一同去除,导致去雾结果细节可见性不强的问题为出发点,研究基于多尺度特征结合细节恢复的单幅图像去雾方法。根据雾在图像中的分布特性及成像原理,设计了多尺度特征提取模块及多尺度特征融合模块,使用不同膨胀率的并行平滑扩张卷积获得多尺度特征,并应用残差块和双重注意力机制对提取到的多尺度特征进行非线性加权融合;基于所提的两个模块构建了去雾网络,利用该网络获得初步去雾结果;构造了基于图像分块的细节恢复网络以提取细节信息,将提取出的细节信息和初步去雾结果进行融合得到最终清晰的去雾图像,实现对去雾后图像视觉效果的增强。最后,使用主观和客观两种评价方式对本文所提两种去雾方法的有效性进行验证,并在多种数据集上进行消融实验和与已有去雾方法的实验对比及分析。