在雾天情况下由于海面环境比较特殊,大部分区域的场景深度变化缓慢,容易受到雾天颗粒散射作用的影响,不利于海况监控、海面目标识别和跟踪等作业任务。为了提高有雾环境下图像检测识别的准确率,对海面雾天图像进行去雾处理的研究是必要的。本文基于深度卷积神经网络,以海面雾天和雨天场景为研究对象,就去雾算法和去雨算法的网络结构设计、模型训练以及去雾算法在海面目标检测的应用方面展开了研究,主要内容包括:为了从有雨图像中恢复图像质量,提出了一种基于残差块网络的海面图像去雨算法。该算法将两种类型的残差块网络相结合,用于提取有雨图像的深层次信息。在训练过程中,学习有雨图像与原图之间的残差,使算法操作的图像目标值域缩小,稀疏性增强。通过对三种雨天场景的图像进行预测实验,实验结果表明了本文的去雨算法能够适用于不同的雨天场景,提升了图像的清晰度。针对海面环境比较单一、存在大面积天空区域等特点,提出了一种基于多尺度融合的海面图像去雾算法。该算法通过融合不同尺度的特征,拓宽了输入范围并获取雾天图像深层次信息,从而恢复雾天海面的图像质量。实验结果表明,本文的去雾算法克服了传统去雾算法容易出现颜色失真、光晕等问题,具有更好的去雾效果。雾天海面能见度低,直接影响了目标检测与识别。为了提高海面目标识别准确率,本文将多尺度融合的去雾算法与YOLOv4目标检测算法相结合,对不同浓度的雾天海面图像进行目标识别。实验结果表明,该方法能有效地识别浓雾环境下的海面目标,并且随着雾浓度的增加,去雾后的识别效果明显优于去雾前。