随着生态环境的变化,雾、霾现象在各大地区呈现多发状态。雾、霾天气情况下采集到的图像出现严重的质量降低。降质后的图像严重影响室外计算机视觉系统的工作性能。且当前遥感图像已被广泛运用于军事国防、灾害应急响应以及生态环境监测等领域。由于其他计算机视觉任务依托于图像信息,因此对图像去雾任务展开深入研究十分重要。随着卷积神经网络（Convolutional Neural Network,CNN）在各大任务上取得的卓越成就,将CNN运用在图像去雾任务上获得飞速发展。本文针对当前基于CNN的去雾方法存在的问题展开深入研究,具体如下:1.基于CNN的去雾网络普遍没有考虑图像场景中的多尺度局部特征信息,且大多数网络模型没有考虑有雾图像及其对应去雾图像、清晰图像间存在的潜在区别。针对以上问题,提出了一种基于注意力机制和上下文扩张的图像去雾网络。该网络首先利用上下文信息充分考虑了图像中不同尺度的局部特征。然后,采用通道注意力机制以实现特征的自适应权重分配。最后,基于对比学习的三重损失函数鼓励网络模型发现有雾图像及其对应去雾图像、清晰图像间存在的潜在差异,以此来提升该去雾网络模型的去雾性能。为了模拟真实有雾场景中雾分布不均匀的情况,在网络模型训练时采用一对多的训练形式。提出的去雾方法能够实现有效去雾,获得的去雾结果符合人眼观察习惯且细节信息清晰。2.基于CNN的遥感图像去雾方法没有充分考虑去雾的实时性。针对该问题,提出了一种基于残差八度卷积的遥感图像快速去雾网络。首先,残差八度卷积（Residual Octave Convolution,residual Oct Conv）用于特征图提取,以高频分量和低频分量分别进行处理。该去雾网络主要为编码-解码两个阶段。针对编码阶段,网络的每一层的特征图都被水平传递到解码阶段的对应网络层数。然后,提出了双频自注意力机制用于对编码阶段的输出特征图进行特征增强,以此来获得增强特征图。增强-运算-减法（Strengthen-Operate-Subtract,SOS）增强模块用于将每个网络层的增强特征图与相应解码阶段的上采样特征图进行特征融合。提出的去雾方法在有效提高遥感图像清晰度的同时实现快速去雾。