雾霾引起的低能见度是航空安全的重要隐患。实时有效地雾霾能见度检测,是缓解该问题的重要途径之一。根据航空管理部门规定,在能见度低于550米时,必须进行低能见度运行管理。针对现有检测方法的局限性,本文从视频图像、关键气象因子等角度,构建多模态雾霾能见度检测算法,并以南京禄口国际机场相关实测数据进行验证。本文主要工作如下:（1）构建多模态机场能见度检测数据集（Vi SOF:Visibility detection data Set of airp Ort Fog and haze）。该数据集涵盖机场雾霾图片19468张,以及97,340关键气象因子数据,诸如空气相对湿度、空气流动速率、空气温度、降雨量。相关能见度真值通过光学能见度仪获得。本文共计在2个场景采集连续数据,时长为5天。在此基础上,本文开展了大量的数据预处理工作,在“关键气象因子、雾霾图像”和能见度之间建立一一对应关系,从而形成数据集。（2）基于改进Swin-Transformer的单模态能见度检测算法。深度学习网络可以从涵盖能见度信息的雾霾图像中,提取有效特征。针对这一特点,本文对雾霾图片进行锐化处理,构建一种Double Swin-Transformer的网络框架,并以南京禄口国际机场实测数据进行验证,数据结果表明了本文所提算法的有效性。（3）基于深度学习的多模态能见度检测算法。本文在视频图像研究雾霾能见度的基础上,融合了关键气象因子,构建了多模态的能见度检测算法,以提升能见度检测精度。利用深层卷积网络提取雾霾图片中的能见度特征,利用BP神经网络提取关键气象因子中的能见度特征,并将两种特征进行融合,以训练检测模型。验证结果显示,由于气象因子与雾霾之间的相关性,融合雾霾图像和关键气象因子的检测算法,在检测精度方面,优于单模态检测算法。（4）改进transformer的多模态能见度检测算法（AST）。上述两个算法的研究表明,SwinTransformer网络能够有效提取雾霾特征,多模态的检测方式,能够有效提升检测精度。在此基础上,本文提出一种Assimilate Swin-Transformer（AST）网络结构。海量数据验证了该算法的有效性和鲁棒性。