计算机视觉是人工智能领域中的一个热点方向,通过模拟生物视觉,对捕捉到的图像数据进行理解与识别,从而实现视觉任务的自动化,并被广泛应用到自动驾驶、医疗、安防监控等领域。然而,在不良天气状况下（如雾、霾天气）,输入图像的质量会严重影响视觉任务的精度与表现。在雾、霾环境下,由于空气中存在大量的悬浮气溶胶颗粒,使得成像系统采集到的图像具有较低的可见度和对比度,进一步阻碍了计算机对图像信息的分析与提取能力。因此,对雾霾环境下的图像进行清晰复原是视觉任务中关键的预处理步骤。本文详细地总结和讨论了目前的去雾霾算法,同时基于现有算法的技术属性,分别从传统复原思路和深度学习角度出发提出相应的改进策略。在先验信息以及大气散射模型的基础上,为了提高关键参数透射率和大气光值的精度,本文从参数约束策略出发,构造了三种约束规则,具体的研究工作如下:（1）针对暗通道先验去雾算法的不足,如天空区域透射率估计过小和在景深突变处易发生光晕效应,提出一种新颖且高效的去雾算法。首先通过几何分析建立雾图对应无雾图像暗通道图的平面扇形模型,然后设定一种新型的高斯均值函数,对其标准差进行自适应处理,用以估计扇形模型的上下边界值,通过引入均值不等关系对两侧边界进行逼近,拟合出最优无雾图像暗通道图,进一步求得最佳透射率,同时也改进局部大气光的探索方法并复原出最终结果。实验表明,与其它一些经典算法相比较,所提算法能广泛适用于各类图像,去雾程度彻底且效果清晰自然,具有较低的时间复杂度,有利于实时处理。（2）针对暗通道去雾算法易受先验条件的约束,以及产生光晕效应和部分失真的不足,提出一种基于高斯-柯西混合模型和亮度修正的雾天场景复原算法。首先,通过数学分析设定透射率和有雾图像间的衰减类型,并建立二次关系进行拟合,减少求取透射率过程中信息损失。接着,构造一种高斯-柯西混合衰减模型来优化透射率。然后,对原始图像的亮度信息进行修正,减弱非天空高值像素（如强光源）的影响,利用四叉树迭代方案得到更加精确的大气光值。最后,结合大气散射模型得到复原结果。实验表明,所提算法能适用于各类图像,与其它经典算法相比,恢复结果细节明显,饱和度适宜,对高亮区域的处理更为自然,没有失真现象。（3）为了更好地服务于高级计算机视觉任务,提出了一种去除图像雾霾影响的算法。首先,建立了基于颜色衰减先验的双指数衰减模型（DEA模型）来自适应计算透射率;DEA模型包含了两个可相互补偿的单指数衰减模型,具有动态调整功能,对不同的输入分配不同的权重。此外,设计了一个正态单边约束规则NUCR来约束透射率的范围。为了避免天空和明亮区域的失真,引入了多尺度窗口来改进大气光值。最后,利用大气散射模型恢复出清晰图像。在合成数据集和真实图像上的实验结果表明,所提算法可以有效保护细节信息。在复原思路的基础上,为了减小处理过程中的信息损失和扩大先验条件的适用范围,本文也建立了两种针对性的优化模型和一个去雾网络框架Haze-Net。具体如下所示:（4）针对传统暗通道先验易在高亮度区域失真和产生光晕效应的不足,提出一种基于补偿透射率和自适应雾浓度系数的雾天图像复原算法。首先利用高斯函数拟合有雾和无雾图像间的衰减关系,通过修正透射率对高亮区域进行补偿。然后分析雾气特性,提出亮度熵概念,对原图亮通道进行逐像素处理求取熵值,结合高斯金字塔提取纹理特征,得到雾气分布图;同时建立一种线性变换来自适应求取雾浓度系数,并获得优化透射率。最后改进局部大气光的获取方法,结合大气散射模型得到复原结果。实验表明,所提算法可以有效复原出降质图像的颜色与细节,明亮度适宜,去雾程度彻底,效果清晰自然。（5）针对暗通道算法中最小值滤波易导致边缘信息跳跃和引起光晕效应的问题,提出一个分段函数来代替最小滤波器操作,从而避免边缘误差分配。所提的分段函数包括两部分:幂律变换和线性衰减,其中幂律变换用于压缩低亮度区域,线性衰减用来保护图像中明亮部分的原始特征。此外,使用了对数幂律变换用于估计复原模型中的未知参数,最后得到复原结果。实验表明,所提算法能有效处理各类合成数据集和真实图像,具有优秀的复原性能。（6）针对传统网络训练独立参数时效果不稳定的问题,提出一个并行级联风格的端到端网络Haze-Net用来捕获雾气分布。首先将传统独立特征透射率和大气光值进行了整合,得到一个集成特征,用来描述雾霾影响。其次设计一个并行的网络结构,其中主干网络负责提取高级特征,辅助网络用于学习细粒度特征。最后将具有不同精度的特征进行级联,并恢复出清晰图像。实验表明,与一些最新的算法相比,所提算法更具优越性。