随着经济的发展,近年来,雾天气的出现较为频繁,给人们的生活也带来了极大的危害。传统的基于遥感技术的识别和预报雾的设备往往存在光谱分辨率低、价格昂贵、多次清绘累积误差大、单点检测不确定等缺点,导致雾气检测和预报的性能难以令人满意。基于机器学习的检测雾气的方法,具有雾气图像特征提取的不完备性、不变的特征空间、逼近能力不足的分类/估计准则等缺点,致使其对不规则多样性雾气图像进行分类时,泛化性较差。为了解决上述难题,将闭环控制和迁移学习的思想引入深层卷积神经网络中,设计出了一个基于深度迁移学习的智能雾气等级分类和能见度估计的模型。本文的主要工作总结如下:1)本文创新性地将交错组卷积网络引入VGG16模型中,构建了新的分类网络,极大地降低了参数量,节省了存储空间和提高了模型运行速度。2)针对含有交错组卷积的VGG16模型中卷积操作导致的冗余信息问题,模型利用基于主成分的马氏可分性度量函数结合分类/估计决策信息系统建立压缩特征空间,提取表征力强的特征图集合。3)采用深度随机配置网络分类器,提高了分类模型的万局逼近能力,构建针对雾气图像具有高识别率的分类/估计准则。4)为了克服不变特征空间的样本通用性差的问题,模仿人类反复推敲比对的分类/估计模式,本文基于广义误差和熵理论定义不确定分类/估计结果误差熵测度指标,实时评测雾气图像等级和能见度估计结果的可信度,动态更新VGG16网络含有的交错组卷积模块的层数和决策信息系统粒度,进一步优化表征力强的压缩特征空间,并自寻优调节分类/估计准则。最终,通过迁移学习机制对可信度低的雾气图像进行等级和能见度再分类/估计。为了验证所提出的智能分类/估计模型的有效性,本文选取15000幅大雾图像作为样本库,进行等级分类和能见度估计实验,雾气等级分类的平均识别率为90.23%,能见度估计均方根误差为0.145。实验结果发现,本文方法与其它算法相比,模型具有很高的分类准确度和估计精度,为后续天气预测提供了研究基础。