目的：目前基于深度学习的去雾方法大都是直接学习有雾图像和无雾图像之间的映射关系，由于没有结合雾图自身的特点，存在雾信息检测不精确，去雾不彻底的问题。方法：针对上述问题，本文提出一种基于暗通道先验引导的端到端去雾网络（Dark Channel Prior-Guided Image Dehazing Network，DCPDNet）。首先，通过几个卷积层提取有雾图像的浅层特征；然后，两个特征增强模块（Feature Enhancement Block，FEB）被构建来增强图像的空间特征，该模块在两个尺度上对图像特征进行增强，即利用深层特征图来实现语义特征的增强，利用浅层特征图来对实现图像细节特征的增强。接着，为了使提取的特征更关注雾的区域，基于雾图像中雾的成像特点设计一种基于引导图的特征校正模块（Feature Correction Block，FCB），该模块利用暗通道理论构建一个引导图将网络学习的注意力引导到有雾区域，对提取的深层特征图做进一步的细化和校正；最后，利用残差结构的跳转连接，将增强的浅层特征补充网络丢失的细节特征，并经过几个卷积操作重建去雾后图像。结果：大量的实验证明DCPDNet可以在保持模型轻量型以及运行速度较快的情况下实现良好的去雾效果。结论：与近年来一些先进的去雾方法比较，DCPDNet不仅在效率上占有优势，其去雾效果在主观视觉感受和客观评价结果上都获得了更好的效果。