能见度检测是计算机视觉和气象监测领域的研究热点之一。目前,基于图像和深度神经网络的方法已成为能见度检测的重要手段,但很多已有方法仅使用针对性较差的特征提取模型,在能见度特征信息提取方面针对性不强。且大多模型采用的能见度标签为单标签形式,在获取标签表达信息方面效率较低。此外,考虑到实际应用场景中的噪声等不稳定情况,仅根据单视角进行能见度检测会导致模型鲁棒性和准确性较差。针对以上问题,本文研究如何利用注意力转移模型和标记分布学习构建能见度检测模型,并在多视角环境中使用DempsterShafer证据理论进行能见度结果融合,从而多方面提升能见度检测模型的效果。首先,本文引入面向能见度检测的注意力转移模型。该模型通过构造全局视图模块和最远区域识别模块,分别从全局和局部视图入手模拟人类观测时的视觉注意力转移过程。本文通过实验分析证明了其能够针对能见度检测任务挖掘到更多隐藏的信息,从而提高检测系统性能。其次,考虑到能见度标签的相似性和连续性,本文将标记分布学习与深度神经网络相结合,针对能见度检测任务设计并构建一个端到端的深度标记分布学习能见度检测方法。算法将气象图像的单个绝对数值标签转换为标记分布的形式,从而充分、准确地对图像进行描述,并使监督信息得到了显著增加。通过相关实验,证明了标记分布模型能够提升能见度信息的利用效率,并提高能见度检测模型的准确率和鲁棒性。接着,本文提出了面向多视角检测的能见度融合算法。对于多视角中的各张图像,分别使用上述能见度检测模型进行能见度预测,再引入Dempster-Shafer证据理论融合各张图像的能见度信息,从而消除单视角图像中不准确结果的影响。经过验证,与单图像检测方法相比,多视角能见度融合算法有更好的稳定性和准确性,证明了信息融合方法对系统性能的提升。最后,为满足单视角和多视角能见度检测相关的实验与验证,本文设计并制作了一个高质量、大规模的细粒度能见度图像数据集:真实多视角图像数据集RMID（Real Multi-view Images Dataset）。数据集采用实地拍摄的图像和专业机构公布的能见度数据,从而保证数据集的准确性。本项目拍摄并选取了多视角图像组,并将数据集用于训练和测试环节。本文基于上述研究设计并开发了气象能见度检测系统,该系统基于浏览器端-服务端架构,并引入Node.js中间层从而屏蔽服务端细节,降低了模块间耦合度。该系统实现了不同参数下的数据集标注、模型加载与训练、单视角和多视角的能见度检测等功能,从而为模型的优化研究提供支持。