能见度是生活中常见的用于衡量大气情况的指标。在众多气象指标中雾和霾对能见度的影响较大,而雾的形成与消散往往受到大气近地层的因素影响而展现出一定的规律。当能见度很低时,高速公路管理者通常要对道路进行封路处理以保证行车安全,因此能见度预测是高速公路管理部门十分关注的问题。雾景能见度的演变规律挖掘和变化趋势预测问题关注的主要难点有:对大雾的演变与气象因素的复杂数理关系的构建,基于光学和物理学对雾景图像的分析,对多图像间能见度变化的挖掘,以及对能见度变化的时序挖掘。针对以上关注点,本文聚焦于具体的三个问题,从可解释的高拟合度的回归关系挖掘出发,细粒度的对连续监控图像的能见度检测,和对能见度时序趋势与波动点的挖掘预测。本文在上述三个方面均给出了完整科学的解决方案以及具有实际意义的迁移应用与预测。针对问题一,本文提出了雾景能见度和气象因素间的数学模型——基于双重变量选择的能见度回归模型。创新地设计了基于Light GBM集成学习和Lasso方法的二阶段变量选择。针对问题二,首先需要将图像中的雾区域（背景区域）和道路区域进行分割,便于后续提取相应区域的像素点的亮度信息和位置信息。在分割背景区域和道路区域前,本文分别尝试了Canny边缘检测法与自适应阈值分割法（OTSU算法）两种算法实现对图像中车道分界线的提取,通过对比结果分析,最终我们采用Canny算法对全部车道线进行检测,达到更好的分割效果。为将图像中的距离转化为实际距离,本文借助摄像机的几何成像模型,可以得到图像上一点到摄像机坐标系的实际距离。利用Koschmieder理论,并借助最小二乘原理,得到最优的衰减系数估计值,进而得到每一帧图像下光学视程MOR的估计值。针对问题三,本文选取了三个模型理论进行具体的实验展开,包括ARIMA模型,季节性的ARIMA模型以及Holt-Winters三参数指数平滑加法模型。在得到三个模型的拟合曲线和预测值后,可以发现三种方法对时序信息挖掘的差异性:ARIMA模型会倾向于捕捉时序的整体趋势,而忽略波动较大的点;而季节性的ARIMA模型会因为对季节性的关注,捕捉到波动较大的点,有利于对极浓大雾情况进行预测,而Holt-Winters三参数指数平滑加法模型因其使用方便,更有实际意义。最终我们给出三种模型下大雾的消散预测时间分别为:6.1h,4.95h,6.4h。