夜间有雾场景下的航运货物状态识别涉及到图像去雾和视频识别两个领域，这也是计算机视觉中比较热门的研究方向。在图像去雾方面，图像的成像极易受到江面上雾气的影响，进而产生大量低质量的图像。而在视频识别方面，增强模型的特征提取能力是有必要的，同时，为了便于部署，模型的尺寸不宜过大。经典的循环生成对抗网络用于图像去雾时容易出现图像失真的问题，而经典的三维残差网络用于视频识别时则会出现特征提取能力不高或模型参数数量过大的问题。
　　针对上述问题，本文修改了循环生成对抗网络的网络结构，以便更好地适应本文数据集中的图像，本文通过加入感知损失来优化循环生成对抗网络的损失函数，感知损失能够进一步约束图像的生成过程，使其既能转换相关域的特征，也能保留无关域的特征。本文还对三维残差网络中的残差块结构进行了改良，在不提升模型参数数量的前提下进一步增强模型的特征提取能力。
　　本文在航运事件数据集上进行了实验，实验结果表明，本文改进的循环生成对抗网络模型有效地减少了图像失真问题的出现，能够获得视觉效果更佳的夜间无雾图像，同时，通过训练改进后的三维残差网络，能够得到准确率更高的识别模型，实验结果证明了本文算法的有效性。