在各行业快速发展的同时,对天气状况进行及时、准确的识别与预测已经成为一个非常急迫的工作。尤其在交通领域,天气变化的不确定性,给道路安全带来了很大的风险。在人工智能高速发展的背景下,基于图像的天气现象识别分类,解决了原有的天气识别方式识别范围较广,无法具体到某一位置的缺陷,同时根据道路上随处可见的摄像头拍摄的图片进行天气识别保证了判别结果的实时性,使得人们处理各项突发事件的效率大大提高。通过图片进行天气分类最常用的方法是先提取图片中各种天气的特征,然后再选择分类器进行天气分类。天气图片的特征相似度较高,而且多种分类器的选择以及分类过程都及其复杂,不利于日后的大量应用,缺乏普适性。针对上述天气分类的问题,本文提出了基于多卷积集成学习的天气图像识别方法。卷积神经网络(Convolutional neural network,CNN)是一种简单快速的图像分类方法,在人工智能的推进过程中发挥着举足轻重的作用。相较于其他机器学习方法,卷积神经网络通过卷积层和池化层,自动学习图像更深层次的语义特征,使得机器在图像分类过程中更加符合人类对图像识别的特点,并且大大缩短了分类时间。证据推理(Evidential Reasoning,ER)规则是一种强有力的不确定性推理和信息融合方法,可以在人工智能的决策阶段发挥重要的作用。本文基于卷积神经网络结构框架,针对深度学习在决策阶段不确定性的缺陷,采用集成学习的方式,选用四种卷积神经网络模型对包含晴、阴、雨、雪四种天气的数据集进行并行识别,将获得的四个结果输入到ER-Rule中进行融合,获得最终的识别准确率。整个过程包含了感知(图像获取)、认知(CNN分类)、决策(ERRule融合)三个阶段,更加贴近人类的识别方式。通过实验验证,该方法获得准确率与仅使用卷积神经网络的识别方法获得的四个准确率相比较,准确率结果最高提高了4%,证明了该方法的可用性。