随着科技化进程的加快,无人驾驶汽车、道路监控、遥感卫星等计算机视觉应用的发展对图像处理的质量提出了更高的要求。然而,东南沿海等地区由于空气湿度大、粉尘较多等原因,致使雾气频发。雾气的存在又使得图像的清晰度发生严重衰退,从而阻碍了智能信息采集设备的处理和判断。夜间场景受光线影响较大,整体比白天场景像素值更低,再加上雾气影响,使得夜间去雾工作变得更加困难。针对目前的夜间去雾的结果中存在可视化程度较低、颜色扭曲、光晕伪影的问题,以及少有的快速图像去雾方法。本文基于先验、物理模型和卷积神经网络等知识,提出新的端对端的夜间图像去雾方法。这个去雾方法分别从提高图像亮度和去除图像的雾气两个方面入手,达到清晰化图像的目的。（1）由于在最大反射比先验（Maximum Reflectance Prior,MRP）中已经讨论得到夜间周围环境光照与颜色几乎无关,为了消除颜色影响和提高去雾结果的可视化程度,本文结合Retinex理论、最大反射比先验理论和引导滤波（Guided Filter,GF）算法共同实现对雾气图像的颜色校验,使校验后的图像的亮度得到增强。（2）针对目前的夜间去雾的方法中存在的过高或过低估计透射图的问题,提出带有跳连接的自编码器进行对透射图的估计,这种方式可以提高透射图的准确度。为了实现对夜间周围环境光照的估计,提出CFNet网络（Context Fusion Network）。通过保留低频图像边缘的引导滤波与具有平滑空洞卷积（Smoothed Dilated Convolution）、门融合（Gated Fusion）的自编码器（Autoencoder）的联合作用,实现对雾气图像的滤波结果和无雾图像滤波结果的残差的学习。此方法通过带有光源的雾气图像的滤波结果与不包含光源的残差图的共同作用,实现对周围环境光照的准确估计。对于已知的雾气图、透射图和周围环境光照图,通过端对端的夜间图像去雾方法中的大气散射模型即可恢复干净的无雾图像。由于雾气成像模型从物理角度分析雾气成因,通过这种方式获得的去雾结果符合物理学规律。（3）由于目前合成夜间雾气数据集的方法较少,并且这些方法未将变化的光源位置考虑在内。本文提出变暗不同的图像亮度、随机设置光源位置以及设置强度不同的周围环境光照的合成方法。根据这个合成方法合成的夜间雾气图像更加贴合夜间实际场景,也使合成的数据更具鲁棒性。（4）在实验部分,为了突出本文夜间去雾方法的有效性,将本文方法与最新夜间去雾的方法进行大量对比。实验结果表明,本文提出的夜间去雾方法可以有效地去除雾气、抑制黑色伪影、保留图像细节,并且对于给定图像可以实现快速去雾。除此以外,本文方法的平均PSNR（Peak Signal to Noise Ratio）值和SSIM（Structural Similarity（SSIM））值分别达到了21.2512和0.5943,高于其它夜间去雾方法。