日常生活中雾、雨天气环境的频繁出现对光线在大气介质中的传播路径具有极强的干扰作用,严重影响了视觉设备的成像效果,导致拍摄的图像出现质量退化现象,例如图像噪点过多、清晰度下降、色彩饱和度偏低等,使得后续的图像识别、图像语义分析、图像数据提取等工作无法正常执行。因此,结合对应的图像物理模型对雾天和雨天环境下的单幅图像进行复原具有很重要的研究意义与学术价值。本文针对雾天和雨天环境下的单幅图像,在深度学习技术的基础上结合对应的图像物理模型,提出基于区域增强的雾天单幅图像复原方法以及基于浓度判定的雨天单幅图像复原方法,分别用来去除图像中的雾气噪声和雨线噪声,达到复原图像的目的,主要研究内容如下:(1)提出基于区域增强的雾天单幅图像复原方法。目前的雾天单幅图像复原方法不能结合图像场景的深度变化来进行较好的自适应处理,导致复原后的图像残留有大量的雾气噪声。针对该问题,本文设计和构建一种传播图预测网络来回归图像中各类特征和光路传播的映射关系,得到对应的传播图。之后,结合雾天图像的场景深度和特点提出一种自适应的区域划分和增强方法,以根据不同区域的深度变化自适应地调节去雾强度,从而结合雾天图像物理模型去除图像中的雾气噪声,达到复原图像的目的。(2)提出基于浓度判定的雨天单幅图像复原方法。目前的雨天单幅图像复原方法缺乏较好的雨线浓度判定能力,忽视了图像中的雨线浓度信息,导致复原后的图像存在雨线噪声残留问题。因此,本文基于深度学习技术提出一种雨线浓度判定网络来对图像中的雨线浓度进行自适应的划分和判定,输出对应的雨线浓度标签。同时,构建一种雨线噪声预测网络来提取雨线的物理特征,并将该特征与雨线浓度标签进行特征融合,进而获取更为完备的雨线噪声图。实验表明该方法具备良好的雨线噪声预测能力,结合雨天图像物理模型复原后的图像清晰自然,具有较高的锐利度。(3)对本文提出的图像复原方法进行相关的实验与结果分析。为了对本文提出的图像复原方法进行客观的实验效果评估,本文在主观评价的基础上结合现有的图像质量客观评价指标,建立了主、客观相结合的图像质量评价体系,并使用目前主流的第三方图像数据集进行多方法的实验效果对比,从主观和客观两个方面对本文方法的实验效果进行分析与评价。相关实验结果表明,本文提出的雾天和雨天环境下的单幅图像复原方法均具有良好的图像复原效果,在图像的清晰度和色彩还原度方面有着较大的提升。