近年来,智能驾驶的研究飞速发展,包括行人检测、车道线检测、交通场景识别等任务都取得了卓越的进步。然而,驾驶环境的多变容易导致感知系统遭受污染,尤其是高清摄像头的表面很容易附着灰尘泥土,从而影响智能驾驶感知系统的正常工作,造成不必要的损失。而在现有的智能驾驶研究中,并没有考虑摄像头污染对智能驾驶系统的影响。因此,本文将对摄像头污染识别展开研究,为智能驾驶的发展提供理论依据和科学实践指导。本文总结了目前国内外对于污染识别问题的研究现状,明确了本文的主要研究内容和目标,然后介绍了基础深度学习理论,为本文后续工作奠定理论基础。首先,针对污染数据集难以获取的问题展开了研究。先介绍了基于生成对抗网络的数据增强方法,然后基于CycleGAN网络模型进行改进,以Bdd100K数据集和实际人工采集的污染数据作为训练数据,通过改进的CycleGAN网络生成模拟仿真的污染数据,分别通过主观评价和客观评价的评价方式来验证训练结果。验证结果表明,本文模拟仿真的污染数据与真实数据相似度高,且改进的模型优于原网络。其次,基于轻便网络MobileNet设计污染识别网络,得到4-stage MobileNet。然后使用第三章得到的仿真数据作为负样本,Bdd100k部分数据作为正样本对网络进行训练。网络的测试结果表明,本文提出的4-stage MobileNet推理速度比原网络结构快56%,同时具有较高的识别准确率。最后,为了验证第四章网络的有效性,将对网络进行实车搭载测试。首先提出了污染识别实车应用流程,然后对网络分别进行多场景测试和视频测试。多场景测试的结果表明本文提出的网络能够对于不同程度的污染做出准确识别。视频测试的结果表明本文提出的网络能够有效地检测图片质量,具有较高的鲁棒性和很好的实时性。上述结果证明本文对于智能驾驶污染识别研究有一定的参考意义。