伴随着经济水平不断地发展,健康对我们而言变得越来越重要,现在因为人体可吸入颗粒物而引起的疾病渐渐增多,人们的身体健康问题变成了备受关注的话题。特别是对于老年人和小孩子来说,更加容易引发多种疾病。在大气环境存在着许多大大小小的颗粒物质,在这些物质中有很多是人体可吸入的,其中扬尘是这些物质中非常重要的组成部分,扬尘的来源比较复杂,主要包括道路扬尘和施工扬尘。在实际应用过程中传统扬尘监测方法有很多困扰和不便。随着计算机技术的高速发展和图像识别技术的广泛应用,通过视频监控智能地进行扬尘污染识别将是未来预防扬尘污染的重要手段。近十年来,深度学习算法在视频监测领域的应用有了很大的发展,但是利用深度学习方法进行扬尘图像识别的研究较少,为此,基于深度学习方法的扬尘识别研究成为一个值得研究的课题。扬尘识别的目标主要是通过扬尘图像进行跨摄像头下的扬尘污染检索,它是利用计算机视觉的技术来判断视频或图像中是否存在扬尘污染图像的技术。本文针对传统扬尘识别方法识别率较低和特征提取过程中关键信息提取不足问题开展扬尘识别方法的研究,主要工作内容如下:（1）基于改进残差网络的扬尘图像识别模型设计。首先,对扬尘特征进行分析,将Res Net50网络应用到扬尘数据集中。其次,对Res Net50网络结构进行了改进,形成了第一步的改进网络模型,将其命名为Update＿Res。加入空间金字塔池化以解决输入图像尺寸不固定的问题,不仅增加了扬尘识别模型的尺度不变性,而且还可以抑制训练过程中过拟合现象的发生。并且将金字塔池的策略改为平均池化。将扩大特征图的方法应用到主干网络中,去除网络最后一次空间下采样,有利于提取到更加细粒度的特征,提升模型的性能,从而提高识别率。然后,针对扬尘特征提取过程中关键信息提取不足的问题,在Update＿Res的基础上引入注意力机制模块,形成了第二步改进的网络模型,将其命名为Final＿Res。使用Update＿Res作为主干网络,并分别在该网络的最后两个残差块中引入注意力机制模块;然后在这两个残差块中分别提取相应层次的特征,然后将这两个不同层次的特征进行融合从而生成最后的特征。另外,改进激活函数采用了动态激活函数,根据输入特征动态调整Re LU的参数,增强网络模型的非线性表达能力。（2）基于改进残差网络的扬尘图像识别过程。首先,由于扬尘图像识别目前没有公开的数据集。因此,通过互联网和相机拍摄两种方式收集各类有关扬尘场景的图片进行数据采集,整理形成训练集和测试集,然后使用数据增强的方法对数据集进行扩充,在训练集和测试集中生成更多的数据,来增加扬尘数据集中的数据量,解决了该研究中没有数据集以及数据量不足的问题,增强了模型的泛化能力,提高了网络模型适应各种应用场景的能力。然后,通过图像预处理的操作来处理获取到的扬尘图像,包括灰度化处理、归一化处理和去噪处理。最后,对两个模型的训练过程做了描述。最后,通过实验来验证了本文提出的方法在扬尘识别中的有效性,实验表明本文方法对扬尘图像的识别具有较高的准确度。