大气能见度是一个重要的气象参数,能显著反映空气的污染程度,它不仅是表征大气透明程度的关键指标,也是评价空气质量优劣的重要依据。大气能见度在交通运输、航海、航空以及国防军事活动等方面具有重要研究意义。因此,对大气能见度的精准预测和预报,对城市的空气污染治理,保障公共交通安全以及维护人民的生命财产安全等方面有着举足轻重的作用与意义。目前,深度学习已经在计算机视觉、语音识别、自然语言处理等领域受到广泛关注和应用。本论文围绕深度学习对大气能见度的预测方法展开研究。首先,利用西安理工大学大气遥感中心的能见度仪、小型气象站和粒径谱仪的数据,开展了能见度与各气象参数和环境参数的相关性研究,并结合主成分分析法,分析了各参数对能见度的影响,为后续能见度网络模型的输入数据集的建立提供理论基础。其次,基于深度学习理论,根据深度置信网络的大气能见度预测模型的流程设计,进行了数据预处理、隐含层层数和节点数的设置、激活函数和权重函数等结构参数的实验仿真与分析,通过对大气能见度预测结果的比较与分析,发现采用Z-Score方法进行数据归一化处理,采用双层隐含层和（70,50）的节点数结构,并选用Tanh激活函数和Adam优化器,可获得最佳的能见度预测效果,从而建立了适用于大气能见度预测的DBN网络模型。进而,开展了基于深度置信网络的大气能见度预测与结果分析,并分别与BP神经网络和卷积神经网络的预测效果进行了比较。结果发现,基于DBN的大气能见度预测结果明显优于BP和CNN网络,预测效果最好,预测准确率达到84%,预测相关性达到96%。并进行了各个气象参数对能见度预测贡献程度的分析,结果发现辐射量等参数对能见度预测的影响较小,而PM2.5和相对湿度等参数对能见度预测的影响较大,其中PM2.5的贡献程度最高。最后,采用了基于时间序列的深度置信网络能见度未来趋势的预测方法,获得了对大气能见度的短时间和长时间未来趋势预测结果。预测结果表明,在短时间内的能见度预测时,综合判断2小时后的预测结果较好,预测准确率可以达到94%;在长时间内的能见度预测时,3天后的预测结果较好,准确率可达79%,并可覆盖不同天气条件的能见度变化判断。