近年来,越来越多的计算机视觉系统被广泛地应用于人们生活中的方方面面,从日常生活到国家安全,计算机视觉系统起着重要的作用。这些视觉系统往往会受到部署环境的影响。雾是一种常见的恶劣天气,大量颗粒悬浮在大气中,导致视觉系统捕获的图像严重受损,出现部分信息丢失、纹理细节模糊、颜色失真等问题,这些问题会直接损害视觉系统的性能。因此,如何快速有效地对雾天降质图像进行复原,提升图像质量,消除雾霾天气对视觉系统的干扰,在军事安全、日常生活和工业生产中具有重要意义。人工设计的先验是传统的图像去雾算法的重要依据,而真实场景下的雾分布往往更复杂,因此,设计的先验存在失效的问题,进而导致复原效果不佳。深度学习自2015年来在计算机视觉任务上大放异彩,深度学习技术也在图像去雾任务上遍地开花。这些新兴的图像去雾算法逐渐突破了传统算法的性能瓶颈,取得了重大进展,但是仍然存在一些不足。其一为现有方法大多在均匀雾分布场景的数据集上进行研究设计而成,忽略了在真实世界中的雾分布往往是不均匀的这一问题,导致这些去雾算法在实际应用时性能严重下降;其二为现有方法仅仅使用正样本信息进行监督,复原效果仍然存在提升空间,具体表现为复原图像仍然存在部分雾残留、颜色失真等问题,而负样本信息的潜在价值暂未被挖掘;其三为现有的深度学习去雾模型虽然在不断提升性能,但是也带来了大量的模型参数量,加大了落地部署的困难。本文针对这些问题,进行面向深度先验的图像去雾算法研究。本文的主要工作和贡献如下:（1）针对非均匀雾分布场景,本文提出一种基于知识蒸馏的非均匀场景图像去雾算法。由于非均匀雾分布场景的数据集收集难度大,现有的数据集数量少,因此本文考虑引入额外的图像先验知识来增强模型。本文首先使用经过大量自然图预训练的模型作为编码器,同时引入注意力机制模块对不同浓度的雾区域赋予不同的权重,有效缓解了雾分布不均匀导致的性能下降问题。此外,本文使用清晰图预训练一个教师网络,通过知识蒸馏把教师编码的清晰图特征先验知识迁移给去雾网络模型,进一步提升了去雾网络模型的复原效果。（2）为了进一步优化去雾算法,本文提出一种基于对比学习思想的去雾新范式,该范式的关键在于挖掘负样本信息作为解空间的下界。本文基于模型输出的复原图的表征应该在靠近正样本的同时远离负样本的先验,提出一种即插即用的对比正则方法。（3）从均衡模型性能和参数量入手,本文提出一种基于动态融合的紧凑图像去雾模型。该模型基于编码器-解码器架构,编码器对输入图像进行了下采样,使得密集的特征提取计算集中在低分辨率特征空间上进行,大幅减少了参数量和计算量。其中特征提取部分采用的是高效的基于注意力机制的组合模块和动态特征增强模块。此外,该模型还引入了动态自适应融合策略用于弥补下采样带来的信息损失。综上所述,本文以非均匀雾分布场景、负样本信息挖掘以及均衡性能和参数量为切入点,进行面向深度先验的图像去雾算法的改进和创新,在一个公开基准数据集和两个真实世界数据集上进行充分的实验,实验的结果验证了本文方法的有效性和优越性。此外,本文所提出的去雾算法分别被CVPR Workshop 2020和计算机视觉顶级会议CVPR 2021录用。