在恶劣天气下，图像采集设备受到大气悬浮粒子(例如：雾、霾和小液滴等)的影响，导致图像产生颜色失真、对比度降低以及细节丢失等问题，不仅影响图像视觉效果，还会影响计算机视觉系统的分析与处理。因此，如何设计高质量的图像去雾算法成为亟待解决的问题。
　　本文介绍了图像去雾算法的研究背景和现状，讨论了大气散射模型、深度学习和生成对抗网络相关理论，以生成对抗网络为基础提出了两种图像去雾算法。具体工作包括：
　　首先，本文提出了一种基于特征选择和对抗学习的图像去雾算法。该算法设计的双模块结构生成器负责估计图像传输率和去雾图，两个模块的组合可以等效成一个特征选择系统，自适应地选择有益于去雾的特征。本算法设计的多尺度鉴别器从多个尺度检测残余雾和伪影，有效地提高生成器的性能。此外，该算法提出一种提高去雾图像目标识别精度的训练方法，使去雾网络最大限度地适应目标识别系统，提高去雾图的识别精度。
　　其次，本文设计了一种基于多尺度残差网络和对抗学习的图像去雾算法。该算法设计的生成器负责从有雾图恢复无雾图，设计多尺度残差模块将不同尺度特征图和卷积核进行组合，实现多种尺度的雾霾特征提取，利用压缩奖惩模块将对去雾有价值的特征进行自适应校准。该算法提出的宏观和微观鉴别器从整体和局部检测残余雾和伪影等，有效地提高了去雾图的视觉质量。
　　综上所述，本文提出的两种图像去雾算法直接从单张有雾图恢复无雾图，不采用物理模型，克服了传统基于模型算法的不精确。本文采用RESIDE(REalistic Single Image DEhazing)数据集进行对比实验，通过对合成图像和真实图像结果的定量和定性分析可知，本文算法去雾效果自然、稳定性更强，性能明显优于对比算法。