海雾是一种严重的自然灾害,会给海上的正常生产活动带来巨大危害。20世纪初,学界开始对海雾进行研究;20世纪60年代气象卫星的成功发射,让海雾相关研究的发展逐渐步入正轨。20世纪70年代,国外学者开始采用遥感的方法研究和预测海雾,但方法依旧依赖大量人力和算力,效果和效率都不尽如人意。对海雾的研究是一项非常具有挑战性的工作,在研究过程中涉及的特征提取、预处理、算法研究等方面都需要高度专业的知识。深度学习在计算机视觉相关领域内已经取得了世人瞩目的成果。本文的研究目标就是运用深度学习相关技术,实现卫星图像中我国黄渤海区域的海雾分割任务。本文的研究重点将围绕数据集制作、网络结构设计和弱监督训练三方面展开,工作的主要内容和创新如下:(1)数据集制作:为了实现海雾分割的任务,我们选择了日本葵花8号卫星获取的从2016年到2018年的卫星图像,从我国气象学报的记录中获取了这三年中有海雾的时间,制作了第一个针对卫星图像中海雾区域分割的数据集。(2)网络结构设计:基于U-Net语义分割网络,设计了针对海雾分割数据集的模型,最终实现了基于时序信息的海雾分割任务。首先针对单张图像,基于本任务的需求和数据集的特点对基础网络结构做出改进,设计了多尺度特征融合的BiU-Net模型;之后基于海雾的生成和演变有时序性特点,在BiU-Net的基础上设计了针对海雾图像序列的基于时序信息的语义分割网络结构。(3)弱监督训练:针对分割数据集制作成本大的问题,本文尝试了将弱监督学习应用到海雾分割任务中,并研究了由空洞卷积生成的CAM对弱监督学习的有效性。本文提出的海雾分割算法,在数据集上达到了良好的准确性和实时性,一定程度上满足卫星图像中海雾检测的需求,同时也为相关领域的研究工作贡献了一定的方法和思路。