目前，在去雾领域鲜有将先验信息引入到以数据驱动的深度学习方法中的工作，且大多数基于深度学习的去雾网络通常对计算机内存和算力有较高要求。为解决上述问题，本文提出一个高频信息对齐的多尺度融合去雾网络（HFMS-Net）。网络框架采用循环模式：对于生成器，通过在轻量卷积神经网络的不同深度引入残差连接，以充分利用网络的中间层特征，实现多尺度特征融合；对于判别器，网络需对其输入进行纹理信息提取，逼近去雾图像和有雾图像之间的高频信息，使基于数据驱动的网络更具物理解释性。与PFDN相比，HFMS-Net在相同设置下以约1/5的内存占用取得了更优越的性能，PSNR和SSIM分别提升了0.71、0.016。通过大量的对比实验和消融实验证明本网络的去雾性能与现有算法相比有一定的提升，对纹理信息具有更高的保真度。