在计算机视觉领域,目标检测技术应用越来越广泛,对目标检测的要求越来越高。目前,随着雾霾问题的广受关注,提高雾霾环境下的目标检测准确率成为了亟需解决的问题,基于上述分析,本文进行如下研究:（1）针对雾霾场景下的图像质量下降、细节缺失等问题,采用基于迁移学习的域自适应去雾算法DA-Dehazing对室外雾天数据集RESIDE-RTTS进行去雾预处理,并与直方图均衡、暗通道先验、MSRCR、DCPDN等去雾方法进行比较。采用二维熵以及平均梯度的指标来分析图像去雾后的质量,并以YOLOv4为检测网络,通过实验研究不同的图像去雾方法对目标检测结果的影响。（2）研究了基于无监督深度估计的带雾图像合成方法。训练集与测试集的分布差异是雾霾下目标检测效果不佳的重要原因,为了提高目标检测效果,需要在训练集中补充具有雾霾场景分布的图像。通过改进的Monodepth无监督深度估计模型合成原始图像的深度图。构造几何先验深度模板,以图像熵为权值与深度图进行融合以对深度图进行优化,根据大气散射模型合成了一个新的包含14999张图像的雾霾场景数据集。实验结果表明,在训练集中加入合成的数据后,目标检测网络的性能有所提升。（3）针对雾霾场景图像中雾气分布不均、无雾图像具有暗通道先验规律的特点,研究在YOLOv4网络中嵌入通道域与空间域混合的注意力模块CBAM,使网络突出需要关注的关键信息,抑制冗余信息。在此基础上,将在训练集采用合成雾图的数据增强、图像去雾预处理结合起来,与检测网络一道构成了目标检测级联模型。对目标检测级联模型进行消融实验,分析模型各部分对于目标检测的提升效果,并与二阶检测网络进行横向对比。对真实雾霾场景视频进行目标检测实验。实验结果表明,目标检测级联模型较好地提升了雾霾气象环境下目标检测效果。