对于违章建筑物的监管是我国新型城镇化发展过程中的工作重点之一。针对目前我国违章建筑监管手段自动化程度低、易受监控场景气象因素干扰等问题,本文致力于研究复杂天气状况下违章建筑物自动识别的关键技术。主要研究内容如下:（1）提出了一种融合链式SVM及ML-KNN的图像天气识别算法。首先,利用天空区域和非天空区域在边缘、亮度以及分布上的差异,结合Canny边缘检测算法,实现了对室外图像天空区域的有效分割;然后,通过分析不同天气状况下图像质量退化和颜色变化等特点,设计并提取了亮度、颜色、对比度、饱和度、暗通道以及雨雪噪声特征;最后,通过融合链式SVM和ML-KNN算法,实现了对室外图像混合天气状况的识别,从而为后续的抗天气干扰算法提供可靠的天气信息。实验证明,本算法对室外监控图像中的多种天气状况的识别精度优于90%。（2）研究了一种基于大气光值修正和透射率优化的暗通道去雾算法。首先,提出了基于自然场景统计特征的雾霾浓度描述算法,实现了对监控图像中雾霾浓度的估计;然后,针对暗通道先验去雾算法去雾结果亮度偏低、颜色失真等问题,采用区域递归法修正大气光值、采用同区域无雾图像对透射率进行优化,从而提高了原暗通道算法的去雾能力。实验证明,本改进算法在直接视觉、SSIM以及峰值信噪比等量化指标上均优于原算法。（3）研究了一种融合CNN的新旧时相对比违章建筑物识别算法。首先,针对大场景下的小目标识别难题,提出了一种基于颜色空间距离的新旧时相图像可疑变化区域的定位与提取算法;然后,提出了一种基于迁移学习的图像结构相似性判别算法,对其中的伪变化区域进行有效剔除;最后,基于Inception V3网络模型对变化区域中的建筑物进行识别,得到最终的违建检测结果。实验证明,本算法准确有效地实现了对定点监控中违章建筑物的识别与定位,准确率达到89.7%,召回率达到96.2%。