目标检测是计算机视觉领域中的重要基础研究,是图像内容理解问题的重要基础。随着机器视觉技术的深入研究,通过各种智能算法对图像中的目标进行准确识别和精确定位。但是在雾霾天气条件下,室外拍摄的图像清晰度不高对比度较低,这造成目标检测的难度大识别率低。因此研究雾霾图像的增强及目标检测显得至关重要。根据雾霾图像形成机理,进行雾霾图像去雾增强及目标识别,具体研究工作如下:(1)提出一种多尺度卷积网络,采用交叉通信的方式实现端到端的图像去雾。首先通过大气物理模型原理,进行有雾图像复原,制作深度学习网络训练所需要的不同程度有雾图像数据集。使用卷积层交叉通信的方式减少网络参数,也可以增强网络结构的非线性能力。实验结果证明通过去雾网络可以在保留图像信息基础上进行有效去雾。(2)提出一种基于空域分割的雾霾图像增强方法,通过高斯函数概念设计了3×3的感受野,获得图像空域与频域映射关系,将图像分为低频、中低频、中高频和高频区域,分别采用gamma校准、MSRCP、MSR、顶帽方法分别进行增强,最后将其进行合并。与传统的图像增强算法相比,避免了滤波器在对噪声滤除的同时,又对图像原本的边缘部分即图像本身的高频区域信息进行保留,对其进行增强。(3)提出并联定位优化结构对传统的Faster R-CNN进行改进,将网络的输入划分为四个部分,加上初始边框部分合成五维位置信息,使用并联五路CNN结构对目标位置信息进行提取,完成预测个体候选框的映射关系计算,从而实现定位优化。实验结果验证,可以有效识别并框选目标物体,减少漏检误检情况,物体定位更加准确,识别率平均提高8.6%。本课题具有一定的创新意义和实用价值,对实现雾霾图像中的目标检测有着积极作用。