低能见度不仅严重影响到飞机的起降次数及运行效率,而且对航空安全运行造成了极大地威胁。本文就机场能见度的检测问题,构建了一种基于视频图像的机场能见度检测的深度学习模型,得到了较高的能见度检测准确度,具体研究如下:对获取的机场视频数据和气象数据做描述和预处理。把视频按帧截取为等时间间隔的图像;对气象数据,进行缺失值补充、标准化处理,通过Spearman方法对气象要素做相关性分析,使用Lasso回归进行数据降维,筛选出风速、露点、场面气压、相对湿度四个变量。构建机场能见度检测的深度学习模型。先根据目标识别效果筛选基础模型,并借鉴各种深度神经网络优点,自建包含三次卷积操作的15层深度卷积神经网络模型。之后基于迁移学习机制,为提高模型的泛化能力,微调网络中的参数。使用训练图像集做实验,实验结果显示:15层深度卷积神经网络的均方根误差（RMSE）值为85.01,远小于Squeeze Net网络迁移学习模型中的229.74,说明15层深度卷积神经网络模型更加稳定,以此作为能见度检测基础模型。接着,将机场视频预处理后的图像带入基础模型中,最终得到的实验结果为:基于机场视频图像的能见度检测模型具有一定的效果,准确度达到70.04%。基于基础模型对深度卷积神经网络的全连接层进行改进,加入筛选后的四个变量。分别使用BP神经网络和RBF神经网络改进基础模型,经过实验,两种模型的能见度检测准确度分别为82.65%和87.91%。之后使用遗传算法对BP神经网络的能见度检测改进模型作进一步优化并得到其检测准确度为86.63%。通过对比,基于RBF神经网络的视频图像检测能见度模型相较于基础模型检测准确度提高幅度最大,提高了17.87%。