针对卷积神经网络类图像去雾方法存在的细节丢失、颜色失真、去雾不彻底等问题，提出一种基于阶梯网络与注意力交叉融合的端到端图像去雾算法。整体网络模型包含特征提取、特征融合、图像重建三个模块，其中特征提取包括有雾图像细节和轮廓特征的提取，由阶梯网络的不同阶梯层提取实现；特征融合模块以注意力机制的交叉融合实现，并结合自适应残差处理获得最终的融合特征；最后在图像重建模块，通过非线性映射的方式获得去雾图像。实验结果表明，所提方法去雾彻底，去雾图像细节丰富，有效地解决了颜色失真和细节丢失问题，同时阶梯网络在很大程度上克服了深度网络的训练耗时问题。

针对去雾领域中传统方法受手动设置特征的限制，以及现有网络去雾不彻底和细节保持不佳等问题，提出一种分离特征和协同网络下的端到端图像去雾模型。首先对传统的大气散射模型进行变形，分离出乘性特征和加性特征。其次，根据两个特征对最终去雾结果的影响程度，设计基于乘性特征和加性特征提取框架并行驱动的去雾网络。其中，乘性特征提取网络充分考虑了不同深度的空间信息及细节特征，通过各层之间密集级联达到特征重用和信息补偿的目的，以获取精密丰富的目标特征。另外，利用残差跨连结构搭建加性特征提取网络，用于训练偏置加性特征。最后，将分离特征代入复原模型得到无雾图像。实验表明：所提网络去雾效果显著，复原图像颜色自然，细节保持良好且各项指标占优。

针对雾天条件下成像设备采集到的图像目标主体不清晰，细节信息不明显，可辨识度低等问题，提出了一种基于光幕约束和分段调整的图像去雾算法。首先将大气光幕的基本不等条件映射至正方形及其内切圆平面模型中，得到约束后的初始大气光幕；然后利用饱和度逼近构造粗糙大气光幕，以模糊无用的边缘信息，并通过梯度约束求取边缘代价对初始大气光幕进行修正。为了改善近景失真和远景去雾不彻底，建立自适应分段调整函数对大气光幕进行优化；最后通过复原模块得到清晰图像。实验结果表明：与一些经典的去雾算法相比，所提算法可以应用于各类图像，去雾效果良好，不仅保留了原图像特性而且得到的复原图像色彩明亮，清晰自然，各项指标优势明显。