近年来,随着世界各国的工业化发展,大气污染所导致的雾霾问题愈发严重,雾霾天气成了环境治理的一大难题。与此同时,雾霾天气所造成的危害也逐渐扩大,它在威胁人体健康的同时,也导致机场能见度的降低,给航班飞行造成了极大的干扰。因此,能见度的检测愈发重要,也引起了国内外专家的重视。对于传统的能见度检测方法,存在着效率低、耗时长、测量结果不精确等缺点,为改善检测结果,国内外专家通过虚拟目标提取、对比法检测、暗原色先验通道提取透射率等方法得到了较好的结果。近年来,伴随着深度学习的发展,能见度检测又引起了深度学习专家的高度重视,他们提出了频谱分析以及改进Inception网络、改进CNN-LSTM网络进行能见度检测的方法,研究得到了较好的实验结果。但是由于受到网络输入图片的噪声影响,训练出来的网络效果大打折扣,为了解决此问题,本文针对网络前期预处理问题以及样本量问题进行了一系列研究,最终通过传统图像处理方式结合深度学习进行能见度等级检测,得到了较好的结果。本文的研究内容主要分四个部分。首先,本文简要介绍了能见度检测的国内外发展现状,然后进一步确定了文章的研究范围和结构。第二个部分主要研究了现有的能见度检测算法,这里分别介绍了基于图像处理的能见度检测算法和基于深度学习的能见度检测算法。基于图像处理的能见度检测算法主要包含白天能见度检测算法、夜晚能见度检测算法以及摄像机标定技术。对于基于深度学习的能见度检测算法而言,着重介绍了卷积神经网络原理和深度学习在能见度检测上的应用。第三部分首先介绍了InceptionV3神经网络原理,通过直接使用该网络进行能见度分类模型建立,发现了过拟合现象,于是提出了迁移学习的应用,将预处理后的数据导入到基于迁移学习的InceptionV3神经网络中,用于训练和预测。实验结果显示,这种调整是可行的。在第四部分,为了降低图片噪声带来的数据冗余量,本文通过结合传统图像处理算法,提出了基于ROI的深度模型能见度检测算法。该算法以深度学习为基础,在图片导入之前进行兴趣区域提取,并使用迁移学习的方法,对只包含兴趣区域的图片进行深度学习建模,这样既降低了图片噪声带来的影响,又大大降低了标签的需求量。最后实验证明,该算法优于单个深度学习模型的使用,提高了分类模型的准确性。