目标检测作为无人机场景感知与理解的关键技术,在军事侦察、智能安防、灾情检测等领域都发挥着重要的作用。近年来,随着深度学习技术的飞速发展,无人机图像目标检测的研究取得了重要进展。然而在实际无人机感知场景任务中,常常遇到雨雾等复杂天气条件,雨雾的干扰使得无人机获取的图像质量下降、细节信息丢失,进而导致目标检测性能显著下降。此前针对无人机雾天图像目标检测任务的主要解决方法是先去雾后检测,但此类方法存在两点局限性:一是恢复和利用图像特征不足的问题,该类方法主要依靠图像中目标的纹理和颜色信息进行检测,而纹理等特征受雨雾干扰严重,导致目标检测性能严重依赖复原图像的质量;二是分离图像复原与目标检测的问题,该类方法中采用的图像去雾方法往往以人的视觉感官为准则进行图像复原,未考虑目标检测过程对图像去雾过程性能的内在需求,导致复原图像中可能提升目标检测性能的有效信息复原或增强不充分,从而降低了目标检测性能。本文针对上述关键问题开展研究,深入分析和研究无人机雾天图像的成像机制以及目标检测模型的工作机理,提出两种新的方法,提高雾天条件下的无人机图像目标检测性能。1、针对局限一面临的恢复和利用图像特征不足的问题,提出了通过风格迁移的雾天条件下无人机图像目标检测方法。采用风格迁移提升目标检测性能的这一新思路,改变基准数据集的纹理和颜色信息,使目标检测模型在检测过程中更多地利用图像中的全局形状和轮廓信息。针对小目标检测性能低以及目标检测模型学习困难的问题,进一步在风格迁移过程中设计了一种边缘损失函数,增强生成图像的边缘信息,平滑无关背景信息,提高小目标检测性能;同时,在目标检测过程中进行归一化,平衡数据分布,增强目标检测模型的学习能力。2、针对局限性二面临的分离图像复原与目标检测的问题,提出了联合无人机图像去雾与目标检测方法。首先基于SVM和混合特征对雾天图像进行分类,将雾天图像分为无雾、薄雾、浓雾等情况;随后采用输出端级联的方式,提出图像去雾过程与目标检测过程紧密结合的方法,能够在图像去雾过程中充分考虑目标检测任务的相关信息和相互影响,构建更适合目标检测的复原图像,提升雾天图像中和目标检测相关的图像特征,增强目标检测性能。在合成的无人机雾天数据集和户外真实无人机雾天图像上的大量实验表明,本文提出的方法对无人机雾天图像进行目标检测,同已有先去雾后检测的方法相比,能显著提升目标检测性能,且具有更强的鲁棒性。