随着社会工业化的发展,雾霾已经成为人们生活中的一种常见天气,受雾霾天气下空气中的悬浮气溶胶影响,室外拍摄设备获取的图像清晰度大幅度下降,使后续相关图像处理算法无法正常运行。为了解决这个现实困难,越来越多的研究学者投身于去雾算法的研究之中。本文从深度学习下的图像预处理技术出发,并针对现有图像去雾算法的优缺点进行分析并加以改进。本文主要研究内容和成果如下:针对现有去雾算法无法根据有雾图像的不同区域特征进行差异化处理的问题,提出一种基于注意力机制和Patch GAN的图像去雾算法。在算法中加入注意力机制,使算法能够为不同区域的特征自适应分配权重;使用带有Inception机制的模块来预测全局大气光值更加准确。利用大气散射模型对图像进行去雾,将去雾图像输入到马尔科夫判别器（Patch GAN）中,由其判断真假。实验结果表明,算法在SOTS数据集和HSTS数据集上均取得了良好的去雾效果,并且提高了去雾图像的亮度和饱和度。针对现有的传统去雾算法和深度学习去雾算法忽略了场景光对图像去雾效果影响的不足,提出一种基于光噪特征弥补的图像去雾算法。在大气散射模型中加入了场景光噪参数,并将优化后的大气散射模型划分为单一特征、融合特征以及场景光噪特征三个部分。在预测场景光噪时使用了模糊2-划分熵图割法,将图像划分为深景和浅景,使场景光噪的预测更为精准。针对现有图像去雾算法在进行图像去雾时因没有考虑图像的颜色先验损失而导致的去雾后图像失真的问题,提出一种基于颜色损失Cycle GAN的图像去雾算法。在生成器中加入了平滑空洞卷积与普通卷积,并交替使用,可以增大网络感受野,提升网络的收敛速度。同时在损失函数中加入了颜色衰减先验损失函数和循环一致性损失函数,颜色衰减先验损失函数的加入可以增强算法去雾后图像的亮度以及饱和度,避免了颜色失真现象的出现。循环一致性损失函数可以缓解网络训练中可能出现的退化问题。