经济和科技的不断发展,通常带来环境污染的日益加重。随着中国工业化水平的不断提高,城市中的雾霾程度也在逐渐加深,而雾霾会对人们的能见度产生严重干扰。低能见度不仅影响人们的日常生活,更容易造成交通事故,从而危害人民的健康。因此,如何提高能见度检测的准确度已经成为了当下必须解决的难题。鉴于之前的研究者使用的传统能见度检测算法存在诸多弊端,如检测精度不高、无法实时检测以及对于小样本数据检测精度不高等。为了克服传统能见度算法的局限性,本文针对城市中的雾霾场景,结合深度学习的相关知识,提出了雾霾能见度检测算法,主要研究内容如下:首先,本文在大型城市设立雾霾数据采集点,通过数据预处理建立雾霾能见度数据集。基于该数据集,利用残差网络(ResNet)和超深层网络(DiracNet)构建雾霾图片与能见度数值间的关系,确立本文所提算法的比较基准线(Benchmark),即基于ResNet的雾霾能见度算法(Benchmark-I)和基于DiracNet的雾霾能见度检测算法(Benchmark-II)。其次,本文分析了残差网络和超深层网络两个卷积神经网络的优势和缺陷,提出改进的超深层卷积神经网络,并应用于雾霾能见度检测上,构建了一种基于改进DiracNet的能见度检测算法。最后使用上述数据集进行算法验证,并与Benchmark-I和Benchmark-II进行比较。测试数据的结果显示改进的超深层网络的能见度检测算法测试得到的平均绝对百分比误差(MAPE)值为2.24%,而Benchmark-I和Benchmark-II的MAPE值分别为5.72%和4.73%,算法验证结果证明该算法的有效性和优越性。最后,本文重点解决小样本数据训练时引起的过拟合现象,从而导致能见度检测精度偏低的问题。通过研究分析发现,大气中的颗粒物成分浓度(PM1.0,PM2.5,PM10)对雾霾污染程度起到重要决定因素,所以本文将PM值与迁移学习相结合,构建了基于PM-DiracNet的能见度检测算法,并根据雾霾数据集进行实验验证。验证结果表明,基于PM-DiracNet的能见度检测算法可以对小样本数据下的能见度检测准确率产生大幅度提升,可将MAPE值由20%降至12%以下,证明了算法的有效性和优越性。