近年来,随着国内经济的发展,大量污染物的排放,导致雾霾天气频发,雾霾治理引起社会各界关注。雾霾天气的发生,不仅危害人们的身心健康,同时由雾霾导致能见度降低给人们的出行带来极大的不便。能见度对于道路交通安全有着重要的影响,尤其是严重的雾霾天气会严重威胁道路交通安全。所以,能见度的准确检测可以最大程度上的辅助驾驶减少安全隐患,但现有的设备检测法存在性价比和普遍适用性等缺点,当前的利用图像处理进行能见度检测的方法的准确度、稳定性还有待提高,因此需要一种准确且稳定的雾霾能见度检测方法。由于雾霾能见度检测具有重要的实用价值,所以已经引起了大量的图像处理和计算机视觉领域的学者的关注,随着深度学习的兴起,为了克服传统检测方法的各种缺点,本文提出了一种基于深度学习的雾霾能见度检测方法,主要的研究内容如下:1.本文针对传统方法检测速度慢、准确率低等不足之处,采用了卷积神经网络进行能见度检测方法,利用卷积神经网络学习雾霾图片特征,同时根据图片使用大量的人力通过计算均值的方法计算真值,利用真值通过减小损失函数函数值的方法不断有监督自学习来优化训练模型得到最好的训练模型。在tensorflow深度学习平台上分别使用深度残差网络和VGG网络两种经典卷积神经网络模型训练能见度检测模型,通过测试分别验证训练所得模型误差分别达到12%与10%,实验证明了使用卷积神经网络进行能见度检测相对于传统算法进行检测的准确率得到了很好的提升即有效性得到了验证。2.本文针对使用卷积神经网络进行检测的稳定性不高的问题,提出了一种基于改进卷积神经网络的雾霾能见度检测算法。首先,因为雾霾图像是通过视频提取所得,所以雾霾图像在时间序列上存在着关系,根据这种关系,提出了一种使用卷积神经网络提取特征利用循环神经网络做回归的改进卷积神经网络。然后根据改进卷积神经网络框架,利用深度残差网络和VGG网络作为卷积神经网络提取特征,利用长短时记忆网络做回归,进行网络搭建。将改进卷积神经网络在tensorflow深度学习平台上进行能见度检测模型训练,最后通过大量的实验不仅证明了改进卷积神经网络的有效性得到提高,还验证了改进网络的稳定性得到提升。