内河航运事故多发于浓雾天气,一方面雾气降低了航道能见度,给内河航行埋下了安全隐患,另一方面浓雾影响成像设备的正常拍照,干扰了航运安全预警系统的正常运行。为了构建完备的航运安全预警系统,提高内河航运安全,研究图像去雾方法及应用是十分必要的。图像去雾方法主要可以分为三种,基于图像增强的图像去雾方法旨在去除雾气噪声和提高图像对比度,但该方法容易丢失雾天图像细节;基于图像复原的图像去雾方法将雾天图像先验信息作为约束条件,通过估计大气散射模型中的参数反演去雾图像,但先验信息无法完全适配复杂的雾天场景;基于深度学习的图像去雾方法通过大量样本的训练,构建雾天图像与无雾图像间的映射关系,在保证充足训练的前提下,该方法适用于多种雾天场景,鲁棒性更好。本文的主要研究内容如下:（1）针对图像去雾过程中忽略鉴定雾天图像的问题,本文提出了一种基于Inception模型的雾天图像分类网络。对无雾图像进行图像去雾,会引起无雾图像的图像失真,降低无雾图像的质量。为了鉴定雾天图像,分类网络使用Inception单元提取输入图像特征,通过特征图级联融合图像特征,使用全连接层建立图像特征的非线性表达,使用交叉熵函数作为损失函数,构建雾天图像分类网络。实验表明,雾天图像分类网络具备良好的雾天图像鉴定能力。（2）针对去雾图像在部分区域表现出斑块效应和光环效应的问题,本文提出了一种改进多尺度特征融合的图像去雾方法。斑块效应和光环效应暴露了图像去雾网络参数估计不准确的事实。一方面,本文通过引入注意力机制,加强了图像特征在网络中的有效传递,建立了更为准确的参数估计网络,另一方面,为了更真实的去雾效果,本文在网络损失函数中引入了真实度指数。实验表明,改进后的图像去雾网络在主客观图像评价标准上都取得了良好的效果。（3）针对雾天场景下船舶分类困难的问题,本文提出了一种雾天船舶分类机制。首先利用雾天图像分类网络和图像去雾网络对船舶图像进行处理,然后基于Transformer模型构建船舶分类网络。实验表明,基于Transformer的船舶分类网络在MARVEL船舶数据集上较传统船舶分类网络准确率更高,利用雾天图像分类网络和图像去雾网络能够提升船舶分类网络准确率。