天气状况直接关系着人们的出行规划、衣着、农作物生长及灾害预防等生产、生活的方方面面,天气现象的研究亘古通今,作为至关重要的领域,对其探索从未终止。传统依靠人工经验的天气现象识别技术由于耗时耗力、主观性强、覆盖面窄,远远不能满足人们对气象服务的需求;随着社会现代化进程的加快,新一代的气象观测仪器与设备如地面气象站、卫星、雷达等取得了长足进步,为准确测试和采集气象数据提供了必要的手段,但是如何高效处理这些天气数据,科学地进行分析与利用,进而准确进行天气的分类与识别仍然是目前气象领域极具挑战性的任务。随着计算机网络与计算机技术的迅猛发展,特别是近年来大数据与人工智能技术的兴起,利用计算机视觉与深度学习方法来研究天气现象,为天气现象的自动准确分类与识别带来了希望。这不仅可以减少更多人力成本,实现实时、全面、连续、定量的天气观测,还可以为天气预测、农业灾害预警、智慧交通等发展提供有效助力。故本文在计算机视觉和深度学习网络模型的基础上,进行了天气现象自动识别算法的研究,并构建了多类天气数据集进行识别效果验证。同时,设计并开发了天气现象检测平台,验证了理论结果并使其进一步实用化。本文的主要工作内容如下:(1)构建了一个种类多、地域广、数据量大且面向任意场景的天气现象数据集CCW Dataset,其包括雾霾、沙尘、雨、雪、霜、露六类天气现象。通过气象观测站设备采集、日常拍摄、网络爬虫方式共采集了19753幅天气现象图像样本,包括现实生活场景,不同时间与地域、背景的图像。针对天气现象出现频率有差异,数据集的不同类别样本间存在数据量不平衡问题,通过对不同天气特征进行提取并针对性使用数据增强方法对小样本量类别进行数据扩充,最终构建一个样本量大、数据平衡的多类别天气现象数据集。本数据集有效改善了目前图像分类领域天气现象数据集样本量小、场景固定、类别单一问题。(2)设计开发了一种基于深度网络模型的轻量级天气现象识别算法。首先选择DenseNet网络模型进行迁移学习,验证深度学习算法应用于天气现象识别的效果,通过模型参数调整、反向传播方式学习天气特征,识别结果表明该方法准确率高、可行性强;进一步,设计了一个轻量级网络模型,以跳跃连接结构解决卷积神经网络梯度弥散和模型退化问题,引入压缩激励机制增强有效特征的学习抑制无用特征,利用深度可分离卷积代替传统卷积提取天气特征,保证表征学习能力的同时减少网络参数、降低计算复杂度。该算法识别准确率为96.29%,模型所占内存为32.97MB,在保证识别效果的同时降低显存占用,为气象智能化部署提供了解决方案。(3)设计并实现了一个多功能天气现象检测系统。该系统基于B/S架构和SSM(Spring+SpringMVC+MyBatis)框架进行系统研发,实现了一款包括新闻头条、天气现象学习、天气识别、城市天气统计等多模块的系统平台,并对平台进行了性能分析与压力测试。