随着计算机视觉技术在工业控制、目标检测等各个领域的长足发展,越来越多的技术运用到遥感卫星成像、视频监控检测等户外场景中来,并取得了良好的效果。然而当出现雾、沙尘等恶劣天气时,此类室外视觉系统所获图像的质量就会受到影响,算法难以完成既定任务。因此,有雾图像的复原处理,就有着重要的研究意义。因此为了提高单幅图像去雾算法的图像恢复能力,本文主要完成了如下工作:(1)针对合成训练数据集构建过程中,学者对大气散射系数估计不足的问题,提出通过分析人眼视觉对比度与大气散射模型中大气散射系数的关系,计算该参数的取值范围,并根据计算结果,基于多个基础数据集,构建标准“有雾-无雾”数据集。(2)针对现有基于学习的方法感受野较小,网络无法获得全局信息,导致网络存在重度降质图像难以恢复和远景细节恢复差的问题,提出基于多级沙漏结构的传输图估计算法。通过多阶的上下采样结构增强网络感受野,提高网络对全局信息的感知能力,更好地对传输图进行估计。在此基础上,提出多级Hourglass网络级联的方式,通过多次上下采样的方式使得后续结构能够更加准确的恢复图像细节。同时,本文对比了不同级Hourglass对网络特征提取能力的影响,最终确定使用三级二阶Hourglass级联作为传输图估计子网络的基础结构。(3)针对现有大气光估计算法依赖先验假设,对图像整体观察不足,精确度差,难以集成到网络中的问题,提出利用卷积神经网络对大气光进行估计的方法。本文首先使用了分类和回归两种策略,针对Softmax Loss无法准确描述预测值和真实值关系和Euclidean Loss梯度消失、预测值居中的问题提出新的Bell Loss函数,该函数结合上述两种损失函数优点,利用钟形曲线,平滑且准确描述预测值与真实值偏差,提供适合的梯度对网络参数进行更新,引导模型收敛,以提高大气光预测准确率。(4)针对多级Hourglass网络结构过深,在训练时存在梯度弥散的问题,提出采用中继监督的方式进行梯度优化。同时为了提高网络在真实有雾环境下的泛化能力,采用暗通道先验的方式引入传统特征,提高网络的鲁棒性,并对不同优化模块的效果进行对比分析。最后,本文将上述网络融合,构建端到端的单幅图像去雾模型。为了验证算法有效性,本文分别使用合成数据集和真实户外数据集将提出的基于多级沙漏结构的去雾算法和目前较为先进的六种算法在客观评价和主观评价两个方面进行比较,本文算法在不同有雾环境下的图像恢复能力均取得了较大提升。证明算法能够更好地恢复图像近景和远景的细节、颜色恢复更为逼真、色彩过渡更加自然。