在我国高速公路建设快速发展的背景下,交通安全问题受到人们极大地关注,恶劣天气状况是影响高速公路交通安全的重要因素,因此研究高速公路的恶劣天气检测对交通安全具有重要意义。传统的天气检测算法局限性大,很难达到对高速公路天气状况实时监测的要求,随着深度学习技术的快速发展,高速公路交通系统也逐渐向智能化方向发展,尽管目前基于深度学习的恶劣天气检测算法在性能上取得了不错的效果,但存在算法计算复杂度高,模型容量大的问题,如何设计高效且轻量的高速公路恶劣天气检测算法成为目前亟需解决的问题。本文基于深度学习的方法,从网络结构、卷积方式、注意力机制和图像特征多个角度对高速公路恶劣天气检测算法进行研究,提出了一个结构轻量且准确度高的恶劣天气检测算法。本文的主要工作如下:本文针对高速公路监控视频、You Tube车载视频、谷歌图片等多种来源构建了一个高速公路恶劣天气数据集(Highway Weather Dataset,HWD),覆盖各种高速公路场景,不同摄像头角度,各种天气下的不同恶劣程度。从网络结构和卷积方式进行研究,对Mobile Net V2网络结构进行优化。结合非对称卷积结构提出了非对称卷积轻量级网络结构ACMNet(Asymmetric Convolution Mobile Net),在降低参数量的同时提升网络性能。从注意力机制进行研究,在ACMNet基础上进行进一步优化改进。提出分组注意力卷积网络结构GACMNet(Group-attention Asymmetric Convolution Mobile Net),对SGE注意力模块进行优化,选取最大池化作为局部通道特征提取方法。通过Grad-CAM卷积可视化分析网络学习的特征,证明注意力机制的对性能提升的有效性。从图像特征进行研究,将暗通道特征与RGB特征结合形成RGB-Dark四通道特征送入GACMNet网络进行训练,提升网络对雾天类别的识别效果。通过分析研究不同融合策略和融合函数的对比实验,采用Max fusion函数将RGB模型和RGB-Dark模型进行概率融合,平衡RGB-Dark导致的算法对雨天雪天类别的负影响,使得高速公路恶劣天气检测算法的性能进一步提升。