红外图像去雾是指通过去除雾霾、烟雾等介质对红外图像的影响，恢复红外成像系统对比度和视觉质量的过程。红外图像凭借全天时、不受光照限制等优势，在**、安防、医疗、能源勘探等领域广泛地应用。然而，由于大气介质对红外图像的干扰，这些应用往往受到限制，因此红外图像去雾成为一个重要的研究领域。近年来，随着计算机视觉、深度学习等技术的不断发展，红外图像去雾技术也取得了一系列重要进展，为红外图像应用的发展提供了强有力的支持。根据红外图像去雾过程中所依赖数据的不同，将现有的红外图像去雾方法划分为多信息融合和单帧图像处理两大类，其中多信息融合因为需要额外的信息来帮助图像恢复而使其应用受到限制；而目前基于单帧图像处理的主流方案包括图像增强和图像重建两个发展方向。对各种分类的代表算法进行了简要梳理，并分析了其原理、优势及不足。最后，对红外图像去雾的发展趋势做出了预测。该工作既可以帮助初学者快速了解该领域的研究现状和发展趋势，也可作为其他研究者的参考资料。

针对压缩机出口除油器效率性能评价，提出一种基于光闪烁法的润滑油油雾液滴浓度在线检测方法。基于颗粒系层模型和Lambert-Beer定律，以层测量体透过率作为泊松分布随机变量，推导了光闪烁法在长光程平行光束下的颗粒浓度检测模型。闪烁频率根据测量体大小、颗粒直径和颗粒速度确定，并通过影响闪烁信号的拟合方差影响检测精度。对于某型压缩机润滑油，通过光谱扫描和主成分分析法确定了在可见光波段，400 nm波长光束具有最佳的检测灵敏度和正相关性。实验结果表明，相较于光透射法，在0~50 mg·m^-3油雾浓度范围内基于光闪烁法检测标定结果误差小于10%，线性相关系数R²=0.989。

雾天环境下的图像对比度低，图像中的目标较为模糊并且其特征提取存在一定难度。现有的目标检测方法对于雾天图像的检测准确率偏低。针对上述问题，本文在Double-Head框架上基于图像的特征提取部分和预测头部进行改进。首先，在提取的深层特征图上添加通道和空间双维度的复合注意力机制，提高网络关注显著目标的能力；其次，将原始图像经过改进的暗通道先验以及处理后得到的先验矩阵和特征图进一步融合，获取更全面的雾天图像特征信息；最后，在预测头部引入可分离卷积，使用解耦合预测头对目标进行最终的分类和回归。该方法在RTTS数据集上的mAP为49.37%，在合成数据集S-KITTI和S-COCOval数据集上的AP值分别为66.7%和57.7%。与其他主流算法相比，本文算法具有更高的目标检测精度。

雾霾天气下大气粒子对光的散射作用会导致成像质量下降，影响目标探测以及关键信息提取。针对目前偏振去雾算法存在的不足，提出一种基于偏振暗通道的去雾方法。通过4个不同角度的偏振光强解算偏振信息，从而得到任意角度的偏振光强，然后，结合暗通道先验原理定义偏振图像暗通道，从中获取无穷远处大气光强度信息，计算得到大气传输率，最后构建大气散射模型，得到去雾图像。实验结果表明：该方法处理后的去雾图像的灰度方差、平均梯度和图像熵几项评价指标均比原图像显著提高，灰度方差提升了25%，平均梯度提升了30%，图像熵提升了5%。该方法能够有效改善雾霾天气下的图像质量，提高图像清晰度，且图像的细节更为丰富。