近年来,大气污染正在逐渐威胁着人类的生活环境,而工业烟尘是大气污染的主要来源,如何对工业烟尘排放进行有效监测就显得尤为重要,其中林格曼黑度系数是描述烟尘黑度的有效方法。现有方法一般通过人工目测白天环境下的烟尘图像,与林格曼黑度图进行对比,判断黑度等级,存在效率低或以点概面的情况。有学者提出采用基于数字图像处理的方法对工业烟尘图像进行监测,此方法的难点在于如何准确的把烟尘目标区域从背景中分割出来。针对此问题,本文主要研究白天时段内的工业烟尘图像目标分割方法,具体描述如下:(1)基于背景建模与特征匹配的工业烟尘图像分割方法。为了能准确的把烟尘区域从背景中分割出来,首先,搭建背景更新模型,采用差分累计的方法,分割出烟尘区域,用形态学填充的方法填充孔洞区域,得到粗分割烟尘区域,最后,采用特征匹配的方法,进行细分割。采用此方法对5个不同场景环境下的烟尘视频图像进行分割实验,并对比了多种烟尘分割方法,实验结果表明,此方法在查全率和查准确上优于其他方法。(2)基于迁移学习的卷积神经网络的工业烟尘图像分割方法。为了进一步挖掘烟尘图像的深度特征,提高分割的准确率。首先,构建工业烟尘图像分割的卷积神经网络模型,运用迁移学习的方法,用本节制作的工业烟尘图像数据集微调VGG16模型,得到适用于本文工业烟尘图像分割的新的网络模型,最后,对5个不同的工业烟尘场景图像进行分割实验。实验结果表明,此方法的查全率和查准率高于上一节的方法。(3)基于全卷积网络的工业烟尘图像分割方法。为了对工业烟尘图像进行像素级的分割,首先,搭建工业烟尘图像的全卷积网络模型,预处理工业烟尘数据集,输入到全卷积网络模型中,进行迭代训练,得到适用于本文工业烟尘图像分割的网络模型,最后,进行分割实验。实验结果表明,此方法的查全率和查准率高于前两种方法,并实现了像素级的分割。