大气能见度是衡量海面航行安全的重要气象指标之一。随着对外贸易关口的开放和海军军事实力的提升,近海能见度在民航和军事方面的重要地位日益凸现。恶劣的能见度天气会导致海上交通存在着重要的安全隐患。因此,近海能见度预报对近海地区的航行有着重要的意义。近些年,深度学习发展迅速,相关研究人员逐渐地将深度学习的方法引入气象预报领域。针对现有近海地区气象观测数据少、气象状况复杂等问题,本文基于时间卷积网络（Temporal Convolutional Network,TCN）与迁移学习提出了一种近海能见度智能预报方法。（1）对近海地区的能见度值的日分布和月分布特征进行分析,探究该地区的能见度得日分布规律和月分布规律。确定琼州海峡地区和山东半岛近海地区的能见度值低谷的时间和月份,并确定代表性的站点,为后期的模拟实验确定模拟对象。（2）利用TCN和迁移学习的方法建立预报模型。首先,分别对源域（陆地）和目标域（近海）的能见度数据集进行数据处理,提高数据的质量,并筛选了相关性高的气象要素作为该地区的能见度影响特征。其次,构建基于时间卷积网络与迁移学习的模型（Temporal Convolutional Network and Transfer Learning,TCN-TL）,对源域能见度数据进行学习,并利用遗传算法（Genetic Algorithm,GA）对其参数进行寻优。最后,在迁移了对大量源域的数据学习到的知识条件下,再对目标域的小数据集进行学习。完成预报模型的训练后,选取欧洲中期天气预报中心（ECMWF）气象场模式资料,对模型性能进行检验。（3）搭建其他深度学习模型与本文提出的GA-TCN-TL的预报结果作对比。GA-TCN-TL对琼州海峡与山东半岛的近海能见度预报中取得了较好的效果。在预报条件相同情况下,GA-TCN-TL与GA-BP、GA-LSTM、GA-TCN等预报模型相比,GA-TCN-TL在本文提到的三个评价标准下表现出优势。结果表明,在小数据集条件下,迁移学习提升了模型的预报性能,GA-TCN-TL表现优于其他深度学习方法和气象预报产品。