诸如行人检测、车辆跟踪等计算机视觉技术目前在军事、 民事领域都发 挥着不可或缺的重要作用。然而，计算机视觉技术的进一步推广却面临着一 个难题，即图像、视频中常见的图像退化现象。雾霾图像作为退化图像的一 种，常具备高亮度、低可见度、低对比度等特征， 不能直接用于高级视觉任 务。因此，设计切实可行的图像去雾方法具有重要的现实意义和研究价值。 本文重点研究基于深度学习的图像去雾方法。值得一提的是， 考虑到人 眼具有从大量干扰信息中准确寻找并关注目标的优势，本文同时关注了视觉 显著性分析在去雾模型中的应用。 本文工作相对于传统的基于深度学习的图 像去雾方法的创新之处在于， 一， 结合物体边缘显著性分析得到雾霾图像的 物体分割图； 二， 将分割图作为补充信息输入透射率估计网络，同时使用跨 层连接，以不断强化补充信息重要性，从而准确学习雾霾图像透射率； 三， 提出一种新的大气光计算方法从而恢复无雾图像。 本文模型首先在合成数据集 RESIDE 上进行训练与测试，之后被进一步 推广至户外真实雾霾天气下使用。实验结果表明，无论是对室内去雾图像进 行有参考评价，或是对室外去雾图像进行无参考评价，本文方法都取得了非 常不错的成绩。