当前人工智能技术正逐渐渗透到人们生活的方方面面,在汽车领域也带来了汽车智能化的变革热潮,并成为行业的一大主要发展方向,引领着行业前沿技术的向前推动。基于视觉传感器的车辆环境感知技术是智能车自动驾驶领域的一个重要研究课题,但其容易受到各种极端天气条件的影响。面向雾天交通场景,本文首先对基于深度学习的除雾网络进行改进,然后结合智能车场景理解领域的具体应用对典型除雾网络的除雾效果及除雾工作在此领域的适用性进行评价分析。首先,对当前具有代表性的3种除雾算法进行对比测试,并在合成测试集以及真实雾天测试集上对不同除雾网络的除雾效果进行分析评价,测试结果表明现有除雾算法在合成测试集上表现较好,而对真实雾天图像适应性较差。其次,为改善现有除雾网络在真实雾天图像上适应性较差的现象,在现有网络基础上进行除雾网络改进。选择生成式对抗除雾网络作为本文除雾网络的主要结构,并引入多尺度密集特征融合模块,减少图像特征提取过程中空间信息的丢失。实验证明所改进的除雾网络在SOTS室外合成雾天测试集和RTTS4322真实雾天测试集上都有良好的除雾效果。然后,针对智能车场景理解领域的具体应用,构建现有除雾网络的分析评价方法,评价其在智能车领域的适用性及应用效果。针对面向智能车环境感知的目标检测和语义分割两类场景理解方法,从测试集准备、除雾网络选择及测试、场景理解网络选择及测试到结果分析,分别进行除雾评价方法的构建,对除雾工作在场景理解领域的应用效果进行评价。最后,按照所提出的除雾评价方法进行除雾评价试验,分别针对目标检测任务和语义分割任务,对真实雾天测试集图像应用7种典型除雾网络进行除雾预处理,并评价除雾前后目标检测和语义分割的准确性,通过对比试验结果分析为后续智能车场景理解领域的除雾研究工作提出建议。