从周围环境中提取视觉信息对人类活动中至关重要。然而,某些复杂环境会严重破坏视觉信息的正常提取。大气污染如烟雾、雾霾、灰尘等干扰导致视觉信息正常提取受限时,人类在自然界中的活动将受到严重影响。上述模糊场景下采集的图像不仅严重影响了计算机视觉任务的执行,人类自身的安全甚至会因为能见度的缺乏而受到威胁——比如雾天中无法清楚探查前方道路而造成的交通事故,同样增加了雾天环境下目标检测研究的必要性。图像去雾在近些年来已逐步变成计算机视觉领域中值得钻研的重要课题。其目的是有效地从被破坏的输入中恢复图像的基本信息。为了给真实雾霾环境下的视觉信息准确获取提供有效的解决方案,本文在改进现有去雾网络框架的基础上,将其与目标检测网络结合,并通过相关实验对所提出方法的可行性与有效性进行了验证,所做工作如下:首先,对图像去雾算法进行了整体性的阐述,介绍了多种类型去雾算法的特质。随后在现有卷积神经网络的基础上开发了一种基于特征注意机制的新型去雾方法,本方法的核心要素是构建了新型自适应特征注意模块,该模块融合了注意机制和可变形卷积机制,能够对卷积神经网络基本网络框架进行结构优化。该模块还能够更加聚集于雾霾密集区域,自适应处理不同类型的复杂信息,从而在一定程度上提高了算法的去雾能力。其次,构建了一种多步融合模块并进行了应用,该模块能够自适应融合不同步骤间的特征,并彼此相互补充,从而得到无雾图像。之后采用基于Faster R-CNN的目标检测算法,对去雾后的输出图像进行识别。经验证,图像去雾前后的识别率得到了显著提升。最后,为验证算法的适用性,分别对RESIDE数据集、NH-HAZE数据集、Dense-Haze数据集以及真实雾天场景进行了仿真实验,均获得了良好的去雾效果。