由于雾天条件下大气悬浮颗粒的散射和吸收作用,成像设备拍摄的图像出现清晰度低、色彩暗淡和细节模糊等问题,不利于视频监控、目标识别等高级计算机视觉任务后续工作的正常进行,因此对有雾图像进行去雾处理有着重要的现实需求和应用价值,也吸引了众多国内外专家学者对图像去雾算法展开研究。近年来,随着深度学习在计算机视觉领域的快速发展,利用深度学习技术解决图像去雾问题成为研究热点。本文以深度学习为基础,针对现有去雾算法存在的不足,研究不依赖于大气散射模型的端到端单幅图像去雾算法。本文的主要研究内容如下:（1）针对目前单幅图像去雾算法容易导致去雾后图像出现色彩失真和去雾不够彻底等问题,提出了一种基于循环生成对抗网络的端到端图像去雾算法。在生成器网络中,首先使用多尺度初始网络捕捉不同尺度特征信息,以提高网络的特征表达能力;接着利用编码网络进一步从多尺度特征中提取更深层次的有效信息;再在解码网络中引入特征细化融合上采样模块促进深浅层特征的交流并恢复图像分辨率;最后利用空间分支网络补偿在前向传播过程中可能丢失的信息。此外还引入了实例归一化和转换损失来提高去雾效果。在合成数据集和真实有雾图像上的实验结果表明,该网络在主客观评价方面均表现良好,能够在有效去除雾的同时保持更自然的颜色。（2）针对目前去雾网络计算成本高影响去雾效率以及没有有效利用浅层特征的问题,提出了一种结合轻量级卷积与自适应特征融合的端到端图像去雾方法。在该网络中,将轻量级卷积和扩张卷积组合构建出轻量级特征提取模块,在降低计算成本的同时提取出丰富的深层特征;设计了金字塔增强残差模块进一步增强深层特征,并且通过残差学习保证在网络加深的同时减少梯度消失;引入自适应特征融合模块促进深层和浅层特征之间的信息协商以实现二者的有效结合,提高去雾性能。实验结果表明,与其他去雾算法相比,本章算法能够在去雾速度和效果之间实现良好的平衡,可以在快速去雾的同时有效去除雾和产生较少的颜色失真。