真实有雾场景下的目标检测是计算机视觉领域中一个重要的研究内容,其主要挑战在于真实有雾场景下收集的图像存在目标遮挡、模糊和颜色失真等问题,从而导致目标细节信息的丢失。复杂有雾环境下的目标检测在视频监控、无人驾驶、军事应用和智慧城市等领域具有广泛的应用前景,因此,该研究是一项具有重要科学意义并且极具挑战性的工作。尽管通用目标检测已经取得长足的进展,但现有的研究仍缺乏对复杂有雾场景目标检测方法的讨论,存在亟待解决的问题:数据集稀缺和研究方法单一。本文针对这两个问题展开研究:首先针对真实有雾场景下目标检测数据集稀缺问题,设计了一种系统化的有雾图像合成方法,将现有MS COCO中的图像通过一种低成本的方式合成有雾图像,建立了有雾场景下的目标检测数据集S-COCO。接着,针对复杂有雾场景下目标检测的难点,本文从三个研究方向探讨解决方案。本文的研究内容和主要贡献包括以下几个方面:第一,提出了基于模型联合优化的目标检测模型。当前绝大部分有雾场景下的目标检测方法把图像去雾作为模型训练的预处理操作,但图像恢复过程中产生的伪影、细节缺失和颜色失真等现象严重影响下游检测任务的精度。针对这个问题,图像去雾和目标检测联合学习的级联优化框架通过模型的联合优化学习,有效学习图像去雾中恢复的结构细节和颜色特征,从而提高真实有雾场景下目标检测的精度。第二,提出了基于加权归一注意力机制的目标检测模型。针对有雾场景风格干扰目标特征学习的问题,提出了加权归一注意力机制,并且引入了外观不变的特性,促使网络过滤与目标无关的干扰信息,学习不变的外观特征表示。加权归一机制用实例归一化删除图像当中影响外观的风格统计信息,并且从实例归一化后删除的残余信息中提炼出包含目标特定的特征,与实例归一化后的特征加以融合,使网络关注与目标相关的具有判别性的特征,从而提高有雾场景目标检测网络的泛化性能。第三,提出了基于图像-实例对齐双重互补学习的域自适应目标检测模型。由于当前绝大多数有雾场景下的目标检测研究是在来自不同源的训练集和测试集上进行,因此在模型训练的过程中易出现特征分布不一致的学习问题。针对该问题,本文提出基于图像-实例对齐双重互补学习的域自适应目标检测方法,通过双重互补的图像级对齐泛化网络的适应过程,同时引入交叉域原型对齐建立类别和域之间的紧密关系,增强类内紧凑性和类间分离性。实验表明,该方法能有效地提高相似域之间的适应能力,即从无雾场景适应到有雾场景。此外,在PASCAL VOC,Clipart和SIM10k数据集上的实验表明,基于图像-实例对齐双重互补学习的域自适应目标检测方法同样提升了不相似域之间（自然图像和非自然图像）的适应能力。