高质量的清晰图像能够提供丰富的色彩和多样化的结构信息,是智能视觉系统稳定工作的重要前提。然而,在室外条件下工作的成像设备容易受到雾霾天气的影响,一部分大气光到达传感器之前被折射掉,另一部分发生散射的大气光与环境光线一起混合进入成像设备接收的光线中,使得成像设备由于光照缺陷而采集到亮度偏低、颜色失真、及内容不清晰的图像,不利于户外智能设备的正常运作。因此,最大限度的降低不良气候条件对成像系统采集的图像质量的直接影响,恢复图像原有的颜色、亮度和细节信息,研究出具有高性能、实际应用性强的图像去雾算法具有重要意义。现有的大多数图像去雾方法均是基于雾霾在图像上均匀分布的假设设计的网络,它们在人工合成的均匀雾霾图像数据集上表现出令人满意的效果,但是在一些非均匀、浓密或真实场景的雾霾图像数据集上失败。因此,本课题的研究难点主要来源于两方面:一是真实雾霾的浓度和分布具有不确定性,二是同一个网络模型很难拟合不同类型的雾霾情况,单一模型的泛化能力很差。基于以上问题,本文主要从以下几方面展开研究工作:（1）针对现有大多数图像去雾算法仅适用于处理均匀雾霾图像的问题,本文将信息蒸馏引入图像去雾任务,用来逐层提取与雾霾相关的特征,提出了一种基于残差学习的自适应多重信息蒸馏去雾网络。通过设计多重信息蒸馏模块,以增强和压缩的方式实现自适应地对浓密和稀疏的雾霾区域分配相应的权重,逐步增强对重要特征的学习,压缩冗余特征。同时,为了解决去雾过程中容易弱化底层特征、丢失细节信息的问题,设计了一种新型的增强空间-通道注意力模块,用来恢复去雾过程中容易丢失的细节信息,分别从空间和通道层面上引导去雾网络更加关注退化严重的区域,并增强边缘、纹理、颜色、厚霾区域。大量的实验结果和定量分析表明,本实验提出的方法具有很强的泛化能力,它可以很好地处理大多数类型的雾霾图像,并能够很好地恢复出图像原本的颜色和细节。（2）针对图像质量直接决定着智能系统稳定性的问题,并适应多任务联合的需求,本文将图像去雾算法应用于目标检测任务的初阶段,测试多种去雾算法的实际应用性能及泛化能力。整个测试流程分为两大类:一是模拟雾天条件下智能系统执行目标检测任务的场景,首先采用大气散射模型在COCO数据集上合成雾霾图像,然后将其直接输入到目标检测模型中,探究雾霾对于目标检测任务的影响;二是模拟联合多任务执行目标检测的场景,首先用本文方法与几种经典的去雾方法分别对合成的雾霾图像进行去雾处理,然后在统一的实验环境下采用目标检测模型进行测试,探究不同去雾算法对于目标检测的精度是否有提升。最后,通过实验分析比较了检测结果的查准率及mAP值,验证了本文算法对于目标检测精度具有一定的提升,证明了图像去雾对于目标检测类任务具有重要的应用价值。