日常生活中人类的各种活动都与天气现象息息相关,天气现象的实时自动识别在自动驾驶、智慧交通、智能监控等方面都具有重要的研究价值和广阔的应用前景。近年来,随着深度学习在机器视觉领域的迅速发展,由于卷积神经网络能够提取天气图像中丰富、抽象、深层次的语义信息,本文基于深度学习对天气现象识别算法进行研究。针对目前天气现象识别方法存在的挑战和问题,本文的主要研究工作如下:（1）本文构建了一个含有更多类别的六类天气图像数据库（Weather Dataset-6）,并且通过Cycle GAN对数据集进行扩展,获得Weather Dataset-6Plus,极大增加了天气图像数据集规模,实现天气图像数据的多样性及分布平衡性,提高天气识别模型的普适性和泛化能力。（2）本文基于经典CNN模型和迁移学习方法提出了一种三通道融合卷积神经网络（3C-CNN）模型算法用于天气现象识别,采用三个不同的CNN分支分别提取天气图像的天空特征、地面特征以及全局特征,并通过Concatenate函数将提取到的各个区域上的天气特征进行融合,最后通过Softmax分类器进行天气图像识别与分类。该模型同时具有很高的天气识别准确率和较快的识别速度,此外3C-CNN模型的参数数量与模型大小相对较小,基本可以满足大多数移动和嵌入式终端设备上天气现象的实时识别,具有很强的实用价值。（3）本文将基于深度学习的天气现象识别算法应用于汽车自动驾驶领域,提出了一种基于天气现象识别的汽车自动驾驶伺服系统,并且采用Tornado框架实现天气识别算法应用服务部署,为自动驾驶伺服系统提供天气识别服务,实现天气现象端到端的实时识别。