近年来,环境污染已导致中国大部分城市雾霾天气严重。在这些雾霾区域拍摄的图像一般都比较模糊灰暗,如何将雾霾从图像中去除,使图像尽量提高清晰度,是一个非常有意义,且具有广阔应用前景的研究课题。所涉及到的研究领域,如无人机等设备在航空航天领域的目标检测、识别和跟踪,自动驾驶,以及日常生活中使用数码拍摄设备的图像美化等,皆与此课题相关。为了更好解决去雾工作中的雾霾及色彩昏黄的问题,研究者们提出了一些基于近距离镜头的去雾方法。然而,这些方法对于远距离拍摄,遥远的区域(背景)和天空区域较难恢复。因为远距离物体的辐射被大气中大量的浑浊介质逐渐衰减,而当前尚未有标准来估计介质的浓度,这使得远景图像,尤其是包含天空图像的恢复成为一个具有挑战性的问题。为解决以上问题,本论文提出两种图像去雾方法,尤其是针对包含天空区域的图像去雾。本文的研究工作主要包括:(1)目前大多数的去雾方法都不能很自然地恢复远景图像,特别是天空区域的恢复。为了解决这一问题,我们提出了一种基于自适应天空的软分割去雾方法来有效地恢复包含天空的远景图像。本方法是基于亮度模型和暗通道先验模型估计的传输值,在软分割的分割权重基础上融合为一个传输图。亮度模型估计的传输值主要贡献是对天空区域,而暗通道先验模型主要贡献在前景区域,并且通过对天空区域的检测,调整全局大气光以适应真实的光线。本文通过与其他方法对比,更适合处理远景雾霾图像,并结合用户研究和客观评价表明了该方法在保留视觉真实性的同时,也对图像中的雾霾,尤其是天空中的雾霾,进行了有效地去除。(2)现有的雾霾去除方法很难恢复晴朗的天空。我们使用循环生成对抗网络框架构建端到端模型,使用两个数据集训练模型,其中包括一组不对应数据集和一组对应数据集。不对应数据集是由真实室外不对应图像组成,其中包括蓝色晴天图像和重雾图,由循环一致和图像逼真化正则损失约束优化模型,使得图像能生成蓝色的天空。另一组数据集由室外图像的深度信息合成的雾霾图像,由L1损失约束模型能让结果更接近真实。图像通过去雾生成器得到了非常接近真实晴天的无雾效果,去雾以后天空恢复清晰明亮。与其他方法相比,我们的方法更适合于将重度雾霾的图像恢复到无雾的真实状态。