雾天能见度降低给高速公路的通行效率与安全运营带来了极大威胁,全方位高效的能见度检测对交通管理具有十分重要的意义。随着高速公路监控设备的普及,通过构建基于监控图像的能见度自动检测方法,能够在降低成本的同时实现密集的大范围检测。然而由于成像设备及成像条件存在差异,且监控图像特征与能见度类别之间具有复杂的非线性关系,如何依据图像进行准确的能见度检测是一项具有挑战性的任务。鉴于深度卷积网络优异的特征学习能力,本文旨在研究基于深度卷积网络的图像能见度等级检测方法,构建了一个真实场景下的高速公路数据集,提出了两种检测算法,并设计开发了能见度等级自动检测原型系统,具体工作包括:（1）基于孪生网络的有参考图像能见度检测:本文提出了一种基于孪生网络的算法模型,将待检测图像与无雾参考图像联合作为输入,通过判别两者间的特征差异来检测能见度。检测网络设计有孪生特征提取分支,并嵌入注意力模块用于提取输入图像对的高维特征。同时基于多任务思想设计了一条主干分支通过比较提取特征间的差异性进行等级分类,一条并行的辅助分支通过度量特征间相似性增强网络的区分学习能力。实验结果表明本文算法能够增强对相近类别的判别能力,减小拍摄视角不同所带来的影响,具有优越的检测性能。（2）基于多通路融合网络的单张雾天图像能见度检测:为提高算法在实际场景中的泛化性,本文进一步探索不依赖无雾参考图像,仅使用单张雾天图像的能见度检测算法。本文首先从大气散射模型分析出与雾气浓度相关的多个物理因素,进而提出综合这些物理因素的多通路深度融合网络模型。基于该思路,检测网络设计有三条并行通路,联合学习输入图像的深度视觉特征、透射率矩阵特征以及场景深度特征。同时设计了一个基于注意力机制的融合模块自适应地融合这三类特征以进行能见度等级检测。实验结果表明本文算法可以适应不同的监控拍摄场景,提升了对单张图像能见度的检测性能。（3）高速公路雾天能见度等级自动检测原型系统:本文基于所提出的单张图像检测算法设计开发了一个能见度等级自动检测原型系统。该系统提供了友好的可视化交互操作界面,使用人员可以在线构建模型,加载权重,选择图像并进行能见度等级检测,满足了在实际场景中的应用需求。