本发明公开了一种基于对比学习的半监督图像去雾方法。分别利用仿真数据集和真实未匹配的数据集对所提出的去雾模型进行训练，缩小了仿真数据与真实雾霾数据之间的域差异，有效的提升了去雾模型的泛化能力。该去雾模型包含有两个分支，即有监督去雾分支和无监督去雾分支。具体来说，有监督去雾分支采用匹配的雾化‑清晰数据集用于训练，通过MSE损失函数和结构化损失函数对模型进行优化约束。无监督去雾分支利用未匹配的数据集，即真实雾霾图像和清晰无雾图像，通过暗通道先验损失函数和梯度损失函数对模型进行无监督的优化约束。此外，在无监督去雾分支中，引入对比学习范式，构建一个共享的特征潜在空间。其中，将有雾图像看作为负样本，无雾图像看作为正样本，使得生成的去雾图像拉近正样本而推离负样本，提升模型的去雾能力。综上所述，本发明能够有效实现图像去雾目的，适用于目标检测、跟踪等任务，具有较为广泛的应用前景。