雾霾天气下，空气中悬浮颗粒对光线的散射使得拍摄到的图像对比度低，降低了图像的能见度和清晰度，造成图像细节信息的丢失;同时，输入图像的模糊不清也会直接影响到后续信息的提取和处理。为了获得清晰自然的无雾视频图像，实时图像去雾算法已成为研究热点。目前的研究主要针对背景静止而前景动态变化的简单场景，对于前景和背景都动态变化的复杂场景，实时图像去雾算法研究少，难度大。为此，本课题研究目的在于探索一种新的能够实现复杂场景视频图像的实时去雾的技术途径。论文的主要研究内容有:　　首先，介绍了大气散射模型，分析了雾霾天光线的传播特性以及雾化图像降质的原因。在此基础上，研究了暗通道先验去雾算法，并基于CPU平台和C++语言实现了该算法。　　其次，针对现有图像去雾算法在CPU平台实现耗时长、难以满足实时性需求的问题，本文利用高性能GPU平台和CUDA编程语言，对暗通道先验去雾算法实现了并行化加速，并采用共享内存、寄存器和多个CUDA流的方式优化并行图像去雾算法。实验结果表明，暗通道先验去雾算法基于GPU平台和CUDA语言并行加速后，图像去雾算法执行效率显著提升。　　最后，研究了前景和背景动态变化场景下视频图像的实时去雾技术。对于全高清视频图像，提出了基于双GPU多线程并行加速的方法。为寻求双GPU并行加速最优控制方式，提出了分帧、分步骤和分像素三种实现策略。分帧是将相邻帧视频图像分别用一个GPU加速;分步骤是将单帧图像去雾算法分成两部分，并分别用一个GPU加速;分像素是将单幅有雾图像数据分为两部分，分别用一个GPU加速。实验研究表明，在双GPU多线程并行加速的三种实现策略中，分帧法去雾速度最快。对于分辨率为1920×1080的视频图像，分帧法去雾速度超过25帧/秒，实现了全高清视频图像的实时去雾。