能见度是反映大气透明度的重要指标,也是重要的气象观测要素之一,准确、高效地检测能见度具有重要意义。传统能见度测量方法存在客观性较差、观测频次受限、测量仪器价格昂贵等问题,因此本文对如何利用图像检测场景能见度进行了研究,采用基于数据驱动的能见度检测方法,提取反映能见度变化的图像特征,通过已标注数据训练特征与能见度的检测模型,实现了对能见度的检测。论文的主要工作如下:(1)针对单一特征难以准确全面反映能见度衰减对成像影响的问题,提取图像饱和度和多个兴趣域对比度,采用多元回归模型训练图像特征与能见度的映射关系,有效降低了模型复杂度,具有良好的检测精度。(2)针对人工设定特征表征力弱、难以构建样本分布均匀的大规模能见度标注数据集等问题,直接迁移编码网络至能见度检测领域,将图像划分为多个子区域,利用预训练的深度神经网络(Deep Neural Network,DNN)对图像各子区域进行编码,采用支持向量回归(Support Vector Regression,SVR)建立编码特征向量与能见度的映射关系,按权重对各子区域估计值进行融合。实验表明,直接迁移编码网络提取的抽象特征能够有效反映能见度衰减对图像的退化效果,降低图像部分区域内容单一等因素对整体检测结果的影响,具有较好的检测精度和稳定性。(3)为提高图像特征的表征力,在直接迁移编码网络的基础上,更换预训练的深度神经网络,结合检测结果对预训练的深度神经网络进行递进式微调,优化了编码网络的参数。与直接迁移编码网络相比,进一步提高检测正确率,能够满足日常观测业务需求。