随着人工智能的不断发展,计算机视觉感知技术已成为重要的研究课题之一。面对图像数据的急剧增长,如何有效的针对不同背景与环境进行目标特征感知,已成为计算机视觉领域中研究热点。目标特征感知被普遍应用于检测、识别与分割等视觉任务,其任务完成的效果则严重受制于特征的表征能力。特别是对于外界环境弱化目标特征、目标与背景存在相似元素、目标存在遮挡的情形下,由于目标特征的弱化,其还原目标信息能力显著下降,致使提取的特征无法完备表征目标。因此,本文为解决弱特征视感知问题,结合深度学习机制分别针对弱特征三种形式提出了相应解决方法。本文主要从以下三方面展开(9):1)针对有雾图像中雾气对场景特征信息弱化问题,本文提出了一种基于生成对抗映射网络的特征感知增强算法。首先,对图像提取雾气相关特征;其次,运用训练得到的生成网络实现初始提取特征到透视率间的转换;最后,依照所提多光源散射模型进行去雾还原。所提算法实验结果与现有去雾算法相比,其去雾效果更加符合真实场景色彩,并可保存更多细节,干扰引入较少。2)针对图像中背景元素与目标相似造成检测特征弱化的问题,本文提出了一种基于RPN(Region Proposal Network)的伪装色目标特征感知检测算法。首先,对图像进行颜色增强处理,实现目标与背景元素的差异拉伸;其次,对差异放大的目标进行检测;最终运用Faster R-CNN(Faster Region Convolutional Neural Network)检测增强后目标。所提算法与现有目标检测算法相比,其检测结果准确度更高,并且可以更加有效的识别出干扰背景中的目标,减少漏检测现象。3)针对图像中目标受到遮挡造成检测特征缺失的问题,本文提出了一种基于协同感知深度神经网络的遮挡目标检测算法。首先,运用Faster R-CNN对图像中目标中母体与子体进行检测;其次,对子体检测得到的候选区域进行非极大值抑制(Non-maximum Suppression,NMS)处理;最后,利用母体子体协同融合,实现子体对母体检测结果的修正。所提算法与现有目标检测算法相比,其检测精度有所提高,减少了无检测现象的发生。