良好的能见度对机场的正常运行至关重要。持续低能见度不仅会增加机场的运营成本,还会严重削弱机场的航空运输能力。因此,提高能见度预报水平对于确保机场安全运营具有重大意义。随着人工智能技术的不断发展,深度学习在自然语言处理、图像识别等领域已广泛应用。深度学习能够充分挖掘数据之间的映射关系,从而提高预测模型的性能。本研究以深圳机场为研究对象,利用机场METAR（Meteorological Terminal Aviation Routine Weather Report）报文和ERA-Interim（ECMWF Re-Analysis-Interim）再分析资料提供的气象数据,建立了能见度预报模型,旨在提高深圳机场能见度预报水平。首先,提出了一种基于机场历史观测资料的LSTM（Long Short-Term Memory）能见度预报算法。通过利用LSTM算法和深圳机场METAR报文提供的气象数据,构建了能见度预报模型,并对深圳机场2016年3月的低能见度过程进行了测试。实验结果表明,该模型能够有效预测能见度的变化趋势。特别是,预报时效为3小时的模型展现出最佳的预报效果,而风场、气压、相对湿度和温度的组合对该模型的优化效果最为显著。其次,提出了一种基于敏感区优化的LSTM能见度预报算法。通过对ERA-Interim再分析资料提供的气象场与深圳机场能见度的相关性进行Person相关系数分析,确定了敏感区。然后,将敏感区分析方法得到的气象要素与LSTM算法相结合,构建了能见度预报模型,并对深圳机场2016年3月的低能见度过程进行了测试。实验结果显示,在所有预报时效中,3小时预报展现出最佳的效果。在所有气象要素的组合中,包括10米风场、海平面气压、2米相对湿度和2米温度的组合表现最优。同时,将该模型与仅基于机场历史观测资料的能见度预报模型进行对比后,发现预报效果有明显的提升。最后,提出了一种基于CNN-LSTM的能见度预报算法。利用CNN（Convolutional Neural Networks）和LSTM算法以及ERA-Interim再分析资料提供的气象场,构建了能见度预报模型,并对深圳机场2016年3月的低能见度过程进行了测试。实验结果显示,预报时效为3小时时展现出最佳的预报效果。其中,10米风场、海平面气压场、2米温度场和2米相对湿度场的组合对于能见度预报优化效果更为显著。同时,将该模型与仅基于单站气象要素组合的能见度预报模型进行对比后,发现预报效果有明显的提升。