我们提出了一种基于物理模型的特征去雾网络用于图像去雾。与大多数现有的端到端可训练网络去雾方法不同，本方法在网络设计中显式引入了雾霾形成的物理模型，并在深层特征空间中实现去雾操作。为此，我们设计了一种高效的特征去雾单元（Feature Dehazing Unit, FDU），该单元作用于深层特征空间，基于物理模型挖掘对图像去雾具有价值的特征。FDU被嵌入到带有残差学习机制的编码器-解码器架构中，使得所提出的网络能够以端到端的方式进行训练，并有效提升去雾性能。其中，编码器模块用于特征提取，解码器模块用于清晰图像的重建。残差学习机制的引入有助于提高网络精度并缓解深层神经网络的训练难度。我们对所提网络的有效性进行了分析，并实验证明，该方法在去雾效果上优于当前主流的先进方法，展现出优异的性能。