及时且准确的天气信息有助于自动驾驶、智能监控、智慧交通等智能系统做出最优的决策。本文将研究如何从单张图像中获取当前环境的天气信息,这一研究领域被称作天气图像分类。目前,通用图像分类问题已经有较好的解决方案,但是天气图像分类任务仍面临许多挑战。例如,天气图像数据集规模较小,模型难以训练优化;表示不同天气状况的图像中存在大量相同的目标和特征;天气图像的细分类问题被忽略。基于以上问题和挑战,首先,本文构建了面向户外输电线路场景的四类天气图像数据集(FWID),此数据集包含雾天、雨天、雪天和晴天四类天气,一共有5395张标记图像。在四类天气图像数据集的基础上,本文还构建了分块天气图像数据集(BWID)、细分天气图像数据集(SWID)。其次,针对天气图像数据集规模小、模型难以训练的问题,本文设计并实现了基于深度迁移学习的天气图像分类方法;此方法将迁移学习技术应用到深度卷积神经网络模型中,能够极大地提升模型训练优化速度。然后,针对表示不同天气状况的图像中存在大量相同的目标和特征这一问题,本文提出并实现了基于分块图像和投票策略的天气图像分类方法;此方法将一张完整图像切割成几个小块,再利用卷积神经网络提取图像中的天气专属特征(积雪、雨滴、雾),最后利用基于阈值的投票策略得到天气类别;此方法在本文构建的天气图像数据集上取得了98.74?0.3%的分类准确率。最后,针对天气图像细分类问题,本文设计并实现了基于多任务学习的天气图像细分类方法。以雪天为例,本文按照一定的标准将其划分为一级雪天和二级雪天两个细分类别,再结合参数硬共享多任务学习模型,实现对晴天、雾天、雨天、一级雪天、二级雪天的判别。