地表凝结天气包括露、霜和雨凇等多种,其中露是植物生长的重要水资源,霜冻会造成一定的农业灾害甚至是植物死亡,地表凝结天气的监测与识别对预测极端天气、保护农作物收成和生态环境具有重要意义。采用传统图像处理技术进行地表凝结天气识别时,存在特征提取较困难的问题,而基于深度神经网络的图像分类在训练和识别时采用的是隐式的特征自学习,可以避免显式的特征提取,而且深度神经网络具有更高容错率和泛化能力的特点。本文首先介绍了地表凝结图像分类识别的研究背景和发展现状,阐述了深度学习的基本原理和训练方法,并详细介绍了深度学习中典型的卷积神经网络。其次,提出了一种基于生成式对抗网络扩充深度训练图像集的方法。该方法在生成式对抗网络原理的基础上,通过在传统深度卷积生成网络结构上增加卷积层,构建128×128×3维度输出的生成网络模型,并将其用于自动生成具有分类信息的地表凝结图像。实验结果表明,本方法生成的图像与输入的原始图像在视觉上很相似,具有原始图像的分类特征信息,解决了训练样本不足的问题。然后,提出了一种基于深度卷积网络多路特征融合的地表凝结图像分类方法。该方法在传统卷积神经网络基础上,通过增加浅层网络层到深层网络层的多个通路,将具有细节纹理信息的浅层特征和具有语义分类信息的深层特征相融合,以增强更深层网络层训练的特征信息。利用本方法和传统的卷积神经网络进行对比分类实验,实验结果表明,本方法能进一步提升深度卷积网络对地表凝结图像的分类准确率。最后对全文进行了总结和展望。