雾是一种常见的天气现象,雾天环境中悬浮的细微物质会影响物体反射光传播的过程,使得拍摄得到的图像出现清晰度降低、对比度下降等质量退化问题。这些问题会严重影响计算机视觉系统发挥有效作用,因此,图像去雾已经成为计算机视觉领域的重要研究方向。近年来,基于深度学习的单幅图像去雾算法取得了重大进展,但是仍然存在一些不足。大多数算法的设计依赖于大气散射模型,这会出现因中间变量的不精确而使得进一步得到的去雾效果更差的问题;另一方面,算法的去雾性能还有待提升,雾浓度较大的场景不能得到很好的去雾效果。本文针对这些问题,基于深度学习技术,对单幅图像去雾算法进行研究。本文的主要工作内容如下:(1)提出一种渐进式导向的图像去雾算法。该算法是一个端到端的网络结构,网络可以根据输入的有雾图像,直接重建得到去雾后的图像,减少了通过大气散射模型预测相关中间变量的步骤。针对雾浓度较大的场景不能得到很好去雾效果的问题,本文提出渐进式导向的去雾算法,通过级联多个去雾模块实现分阶段逐步去雾,对有雾场景实施多次的去雾操作,改善了图像去雾效果。同时,在每个去雾模块的最后添加导向滤波层,能够消除去雾后图像产生的块效应以及边缘模糊等问题。此外,在每个导向滤波层的前后添加深度监管,保证了渐进式导向网络中去雾模块的性能。实验结果表明,该算法能够有效去雾且表现优于现有算法。(2)提出一种基于场景感知跨通道融合的图像去雾算法。针对渐进式导向去雾算法直接将网络最后的输出作为结果,尚未有效整合多个去雾模块中间输出的问题,本文提出场景感知跨通道融合的去雾算法。该算法能够有效融合不同去雾阶段的结果,让前面的阶段专注于雾浓度等级较低的场景,而后续的阶段学习雾浓度等级较大的场景。网络中的去雾模块分别处理不同的场景区域,得到一系列与场景相关的特征通道,场景感知子网络通过学习每个通道的置信度进而对其进行融合,使得网络具备处理更复杂场景的能力。实验结果表明,该算法能够有效融合每个去雾阶段的优势,得到比渐进式导向去雾算法更优的结果。本文的研究内容同时兼顾了图像场景的差异性和图像去雾的效果,在现实场景中具有较高的实用性。