冬季由于逆温现象,雾天出现的频率增加。雾天场景不仅干扰驾驶员的主观判断能力,而且严重影响自动驾驶的图像识别性能,从而给车辆的安全出行造成了一定的隐患。为了最大程度的降低雾天场景退化的影响,提高图像识别系统的准确率,有必要在目标检测前对原图像进行去雾预处理,增加输入的图像信息,提高对比度。目前图像去雾算法主要有两个不同的研究方向,分别是图像复原和图像增强的去雾算法。前者主要通过大气散射模型并结合先验知识进行响应去雾,此方法处理后的图像亮度偏低,泛化能力较弱。后者主要通过对图像的空间域、频率域的变换,去除图像噪声,改善视觉效果。YOLOV3作为YOLO系列检测算法的第三个版本,由于其检测速度快,精度高的优点,深受工业界的青睐。在检测过程中,通过优化改进原YOLOV3网络模型的结构,可进一步提升模型对雾天道路目标的检测识别能力。本文主要研究基于图像增强的Retinex去雾算法和YOLOV3神经网络模型的优化改进,内容如下:（1）针对现有图像去雾算法在处理特定场景道路时出现的失真、光晕等问题,提出了一种改进的单尺度Retinex去雾算法。首先根据图像中场景深度与雾气浓度的变换加入调节因子,通过目标位置调整局部图像清晰度。然后使用双边滤波器代替原算法中的高斯低通滤波器进行照度估计,保留原图像像素点的灰度值及空间位置信息。最后使用Sigmoid函数对反射图像进行增强,获得最终的去雾图像。通过图像主观和客观评价,改善了去雾效果。（2）为满足图像去雾的测试要求,在Visual Studio开发环境中基于计算机视觉库Opencv编译了图像去雾的可执行程序。通过集成去雾算法实现对图像的不同算法的图像处理。（3）针对YOLOV3目标检测算法的平均精度有所欠缺、前向推理速度较慢等问题,提出了一种优化改进的深度学习网络模型结构。首先在网络模型中增加了一个特征尺度,并在卷积层中引入了集成SPP空间金字塔池化结构,重新计算先验框Anchor box的大小,提高了目标识别的置信度。然后使用Adam优化器代替Momentum动量优化器作为梯度下降策略,合并了批次归一化层与卷积层,加快模型前向推理的速度。最后使用GIOU损失作为损失函数的度量,全面提升了网络模型的性能。