生成对抗网络广泛应用于图像去雾领域，但通常需要大量的计算和存储空间，这限制了其在移动设备中的应用。针对这一问题，提出了一种基于条件生成对抗网络和知识提取的除雾方法。将频率信息作为除雾的附加约束条件，通过傅里叶变换、拉普拉斯算子和高斯滤波器对原始图像的高频或低频信息进行过滤，生成相应的高频和低频图像，利用融合后的图像作为鉴别器的输入，提高了雾图像的除雾效果。在此基础上，将原有重型教师网络的知识转移到重量参数较小的轻型学生网络生成器中，训练轻型学生网络，以更快的收敛速度实现与教师网络类似的除雾性能。在OTS和HSTS数据集上的实验结果验证了该方法的有效性。当学生网络的参数规模仅为教师网络的1/2时，生成器输出图像的峰值信噪比和结构相似性接近教师网络第5104次迭代的值，训练速度提高约1.67倍。