大雾天气会对船舶航行安全造成明显影响,通过在船舶上加装视觉传感器有助于提前获知和判断海上情况,提升智能船舶自主航行的安全性。然而,在大雾环境下,通过传感器获取的海上图像往往存在对比度低、颜色失真和细节丢失等问题,并且受海面浪花和反光等干扰,会导致海上图像纹理和形状等特征信息干扰性强,从而使得目标检测与识别难度加大。因此,为了提高大雾环境下船舶智能航行系统的自动检测与辨识能力,降低漏检和虚警率,本文围绕大雾下海上图像的目标分离和智能辨识问题展开深入的研究。通过图像增强、海天线分割、显著区域检测分离和目标智能辨识,系统地建立利用视觉传感器对大雾环境下海上图像进行目标分离和辨识的科学有效的方法。首先,根据大雾下图像的成像特点,对基于Retinex模型的图像增强去雾算法进行改进。通过分析传统Retinex模型的图像去雾算法,针对单尺度的Retinex模型在图像增强后存在局部细节不易突出、图像对比度差等问题,提出了基于改进双边滤波的高斯金字塔变换的Retinex图像增强算法,解决图像细节模糊和提高图像对比度。对于带色彩恢复的多尺度Retinex（MSRCR）模型在图像增强后图像整体色彩失真和图像的视觉效果差等问题,提出了基于全局亮度自适应均衡化的MSRCR图像增强算法,为后续的图像处理提供更加丰富的色彩、纹理和边缘等图像特征。其次,提出了基于梯度积分和多项式迭代的海天线快速检测算法,实现海面和天空区域的快速分割。采用高斯低通滤波器来增强图像的梯度边缘特征,对给定区域内的梯度积分值进行滑动统计,确定海面图像中海天线的潜在区域。通过逐列寻找潜在区域内梯度最大值点作为海天线的候选点,并对所有候选点进行多项式迭代拟合,剔除误检测点后,拟合确定最终的海天线,从而获得含有天空背景的图像和含有目标物的海面图像。再次,提出了融合图像多视觉特征的视觉注意机制目标分离算法,获得图像综合显著图,分割出海上图像的显著目标区域。选取海面图像中的频率特征、改进Gabor算子的方向特征、梯度纹理特征、颜色空间变换所提取亮度特征和颜色拮抗特征等八个视觉特征子图,运用谱残差算法得到不同视觉特征的显著子图。利用显著性密度函数计算得到各显著子图的权重系数,构建多视觉特征的综合显著图。在对综合显著图进行自适应阈值分割后,采用显著区域自生长策略分离并获得综合显著图中的显著区域。最后,研究基于卷积神经网络框架下的海上图像目标智能辨识分类算法,完成海上目标的分类智能辨识。结合VGG网络和Res Net网络优点,构建新型卷积神经网络框架,对含有9个类别共96980张图片的训练数据集进行训练学习,并随机选取训练数据集中每一类别各50张图像进行数据增强后作为辨识实验的测试数据集,对测试数据集进行目标智能辨识实验;实验结果表明该算法具有较高训练速度和较低的训练误差,单次训练迭代平均时间0.9s,测试数据集的辨识准确率为95.14%,有效地完成目标智能辨识分类。另外,完成对基于视觉注意机制下的大雾海上图像目标分离的显著区域图像集的智能辨识对比实验,实验结果表明该算法在识别速度上具有优势,单张图像辨识时间较VGG-16算法平均快86.6%,较Res Net50算法平均快24.35%;同时,图像最大辨识准确率优于Res Net50算法25%,略低于VGG-16算法2.78%。