天气状况识别和预测对交通运输安全、环境、气象等领域有重要意义。在各种产业向智能化转型的技术背景下,基于人工智能技术研究一种高效的天气自动识别方法,不仅能解决传统天气判别准确率低的问题,而且能实现天气判别的实时性,有效地提高应对各种天气状况的处理能力。卷积神经网络(Convolutional Neural Network,CNN)是深度学习中的一种重要网络结构,它通过引入卷积层、池化层以及较深的网络层数,实现对图像高层语义特征的感知,提升图像分类效果。本文基于卷积神经网络架构,针对传统天气识别方法较难判断的可见光图像天气状况(晴天、雾天、雨天、雪天),研究了相应的天气识别框架,并基于交通视频影像进行了比较和验证。主要工作如下:1)针对可见光图像晴天和雪天、雨天和雾天之间天气特征的相似度高,仅使用卷积神经网络天气识别率较低的问题,研究了一种基于边缘退化的CNN天气识别方法,该方法利用Mask R-CNN提取图像中的前景部分以及前景的边缘,将边缘、前景、背景与图像整体转换为同一尺度并叠加成一个三维矩阵,使用CNN对这个三维矩阵进行特征提取和分类。2)设计并实现了一个天气识别系统,利用交通摄像头获取的图像数据以及WILD数据库数据对本文所提出的方法进行验证。对比已有的可见光图像天气识别方法,本文方法可大幅提升四类天气状况的识别准确率,从78.6%提高至94.7%。