日常生活当中人类的各项活动都会受到天气现象的影响,自动驾驶、智慧交通、智能安防等智能应用要想保持稳定高效的工作状态离不开实时且准确的天气信息。天气图像分类指的就是通过识别单张图像得到所处位置的天气信息,对于常规的图像分类问题,现在已经有许多方法可以很好地解决了。但是,天气图像的分类仍然存在着一些困难和挑战。比如,学术界和工业界现有可供学习使用的天气图像数据集数量和种类都太少,无法满足研究需求;天气图像分类模型的训练需要大量标注样本做支撑,同时使用高级计算设备训练很长时间才能得到一个性能不错的模型;研究人员往往过分关注基本天气类型图像分类,而忽视了对人们而言可能更重要的天气图像细分类问题。基于上述问题和挑战,首先,本文构建了一个包含更多类别并且更加接近真实情况的五类天气图像数据集,该数据集包含晴天、阴天、雨天、雪天和雾天这五类常见的天气类型,每类1000张标注好的图像。同时在五类天气图像数据集的基础上,本文还构建了用于灾害天气图像细粒度分类任务的灾害天气图像数据集。其次,针对现有天气图像分类方法准确率不高,同时模型训练速度慢的问题,在深度卷积神经网络的基础上引入迁移学习方法,能够大幅度缩短模型训练时间并且也能获得较好的分类效果。最后,针对灾害天气图像细分类问题,本文提出了一种基于优化卷积神经网络的灾害天气图像细分类方法。按照一定的标准将雨天、雪天、雾天这三类灾害天气重新划分为大雨、小雨、大雪、小雪以及大雾、小雾这六个细分类别,并且采用5种方式对它们进行数据增强,使得各个天气类别数量达到一致。然后采取用Swish激活函数代替Re LU激活函数、使用小卷积核堆叠替换大卷积核、添加CBAM注意力机制这3种方式优化卷积神经网络,实现对灾害天气的细分类。