雨雾和噪声图像（以下简称为污染源图像）质量的提升是现代计算机和视觉技术应用中十分重要的基础性工作。近年来,深度学习的崛起使得污染源图像质量提升方法得到了更加显著的结果,但现有方法仍存在泛化能力差、自然雨雾图像的去污染效果不佳以及处理后图像失真模糊等问题。针对上述问题,本文利用更加完备的深度学习方法提出了相应的改良措施,具体工作如下:（1）本文创建了涵盖多种污染源的图像数据集,包含雨、雾、噪声以及多污染并存的图像,经过标签标注处理,共计24,000张图像。（2）利用上述图像数据集,本文设计了污染源图像分类算法。先对图像预处理,然后利通过残差网络捕获输入图像数据的特征信息,最后利用卷积神经网络实现对图像数据集的不同污染源类型的多标签分类。（3）本文提出多阶段污染源图像质量提升方法,针对性地解决不同污染源图像的去污染问题。首先利用污染源图像分类算法获取图像的先验信息,然后在去雾阶段中,本文设计了多尺度卷积神经网络实现图像去雾操作,获取透射率等参数后演化得到去雾图像,并对处理后图像进行增强。在去雨/去噪阶段中,利用残差网络提取了雨水/噪声图像的特征,得到去雨/去噪后的图像。最后在图像细节修复阶段中,本文使用生成对抗网络补充去雨雾及噪声后图像丢失的细节,以提升图像质量。实验结果显示,与现存的污染源图像质量提升算法相比,本文算法具有较强的泛化能力、较高的普适性、较好的处理性能。