散射介质（雾,水体等）中颗粒的散射影响了光在介质中的传输,导致图像清晰度低,对比度低,缺乏大量边缘细节,限制介质中成像质量与成像速度,导致复杂环境中自动驾驶,水下材料识别,水下工程,水下考古等领域发展受到极大的制约。由于光的偏振信息对于去除散射光即实现清晰化成像具备独特的优势,因此研究散射介质中偏振去雾成像与探测技术具有重大的现实意义。许多学者针对偏振去雾成像展开研究,进行了大量相关理论与实验研究,探究了结合光谱信息、数字图像处理、深度学习等不同方法进一步提高成像质量。随着深度学习技术的快速发展,结合深度学习方法实现偏振去雾成像,已成为热门前沿的研究方向。研究基于深度学习的偏振去雾成像的内在机理并有效实现去雾成像,目前属于一个新兴的研究领域。本文进行了线偏振光与圆偏振光去雾成像的实验研究比较。利用散射介质偏振去雾成像理论模型,指导深度学习卷积神经网络的训练,拓展了智能化偏振去雾成像的理论与方法。同时,完成了散射介质中基于偏振信息的材料识别与探测技术的研究。本文主要研究内容如下:1.偏振光去雾成像探测与识别的理论模型分析。研究了介质中颗粒的光散射效应,包括瑞利散射和米氏散射。建立水下成像模型,利用偏振光的传输分离出目标信息光和背景散射光,从而实现浑浊水体中的图像复原及材料检测。2.不同波长,不同偏振态的偏振光去雾成像实验对比。研究了偏振光在散射介质中传输过程,论证了散射介质中偏振光主动成像探测的机理和建模方法,在不同散射程度的水体中拍摄大量真实图像,进行基于物理模型的偏振去雾成像实验,对比了不同波长,圆偏振与线偏振不同偏振态光源照射下的去雾成像结果。3.研究了偏振去雾成像物理模型与深度学习方法相结合的水下圆偏振光成像。结合深度学习和偏振去雾成像技术的优点,以去雾成像理论模型为依据,设计了两种改进的卷积神经网络（CNN）去雾模型。通过不同浑浊程度水体介质中不同偏振分量（0°、45°、90°线偏振和圆偏振）的图像对轻量级CNN进行训练和测试,网络模型能够很好地利用浑浊水体介质中物体的偏振图像信息,从而实现目标物在浑浊水体介质中的图像复原,图像对比度等图像衡量指标得到极大提高。4.实现了基于不同材料偏振信息的目标识别与探测。根据圆偏振光照射下不同材质物体偏振特性的差异,设计了基于偏振角的YOLOv4网络,实现散射介质中不同材质物体的识别与检测,把不同材质的物体从浑浊水体介质中提取出来。