针对暗通道先验去雾中存在的光晕和色彩失真问题，提出一种基于明亮区域分割的图像去雾算法。首先通过亮度阈值分割和区域生长将雾天图像分割为明亮区域与非明亮区域；然后用亮通道先验和超像素分别改进明亮区域和非明亮区域透射率的计算公式；再用加权融合的方法将这两个区域的透射率进行融合得到粗略的透射率，使用引导滤波对其进行优化，同时对雾天图像进行四叉树分割，取最终分割区域像素的亮度平均值为大气光值，通过大气散射模型复原去雾图像。实验结果表明，改进后去雾图像的峰值信噪比与改进前相比提高了6.5%，信息熵提高了2.1%，新增可见边之比提高了5.5%，梯度均值提高了5.3%。本文改进算法能够解决暗通道先验去雾中的问题，得到清晰且对比度高的去雾图像。

针对金属工件表面小尺寸缺陷及受非均匀光照影响的图像缺陷难以分割的问题，提出了一种改进的U-net语义分割网络，实现金属工件表面缺陷图像的精确分割。首先，在U-net网络中融入CBAM（convolutional block attention module）模块来提升图像中缺陷目标的显著度；其次，采用深度超参数化卷积DO-Conv(depthwise over-parameterized convolutional)代替网络中部分传统卷积，增加网络可学习的参数数量；然后，采用Leaky Relu函数代替网络中部分Relu函数，提高模型对负区间的特征提取能力；最后，采用中值滤波及非均匀光照的补偿方法进行图像预处理，减弱非均匀光照对金属工件图像表面缺陷的影响。结果表明：改进后的网络平均交并比、准确率和Dice系数指标分别达到0.8335、0.9332、0.8674，改进的网络显著提升了对金属工件表面缺陷图像的分割效果。

针对传统机器视觉检测识别方法受到装配零件之间相互遮挡、零件不同位姿、外部光照强度、小目标漏检影响，检测准确率不高的问题，提出了一种改进的Faster RCNN（region-based convolutional neural networks）零件识别方法。首先使用提取特征更好的ResNet101网络代替原始Faster RCNN模型中的VGG16特征提取网络；其次针对原始候选区域网络，增加2个新的锚点并重新设置候选框的纵横比，以得到15种尺寸不同的锚点；然后针对传统非极大值抑制（non-maximum suppression，NMS）方法因删除交并比大于阈值的候选框而出现漏检问题，使用Soft-NMS方法替换传统的NMS方法，从而减少密集区域漏检的情况；最后在训练模型阶段采用多尺度训练策略，降低漏检率，提高模型准确率。对零件的识别实验结果表明：改进后的Faster RCNN模型能够达到96.1%的精度，较原始模型提升了4.6%，可以满足光照较强、存在水渍干扰等较为复杂环境中零件的识别检测。