随着深度神经网络的发展,其在视觉领域优秀的表现引起了国内外学者的关注,基于卷积神经网络的方法已经成为解决视觉领域相关任务的最重要工具。对于天气退化图像的识别及复原来说,一直是国内外学者的研究热门,特别是在自动驾驶领域,这有助于实现全天候自动驾驶。传统的天气识别算法仅仅考虑了晴天和阴天这种静态天气图像的识别,而对于自动驾驶领域来说,汽车行驶的环境往往关注的是动态的天气状况。对于去雾领域,很多研究都假设雾的图像分布是均匀的,但实际的雾天图像分布是非均匀,这也导致很多算法在非均匀雾天图像复原效果不好。本课题基于深度神经网络的方法,提出了动态天气条件下图像识别算法,并开源了一个四类动态天气图像数据集,为了以后学者在动态天气识别领域的研究;对于非均匀雾天图像的还原,本课题提出了基于迁移学习的神经网络方法,针对非均匀雾天图像的特点,通过引入迁移学习的分支网络,使算法在非均匀雾天图像的复原效果更好,特别是浓雾覆盖区域。首先,目前天气分类领域数据集图像大部分都是静态天气下采集的。例如在Image2Weather数据集中,包含雪天、晴天、阴天、雨天和雾天5种天气图像。但大部分图像都是下雨或者下雪后采集的,对于正在下雨或下雪的天气图像,目前是没有相关的开源数据集。本课题通过在互联网上搜索真实场景下动态天气捕捉图像,构建了一个包含雨天,雪天,雾天和沙尘天气的四类天气图像数据集（Four class Image Data,FWID）,并利用本文提出的数据集构建了一个轻量级天气识别网络。其次,针对非均匀雾天图像雾分布不均匀的特点,设计了基于迁移学习与注意力机制的双流去雾算法。考虑到目前去雾领域都是在合成数据集上进行训练和测试的,并都假设雾在图像分布上是均匀的,本课题根据非均匀雾天图像的特点,利用迁移学习方式在大规模数据集Image Net上提取图像的本质特征,再利用注意力机制对非均匀图像上浓雾区域施加更大的关注,通过在真实的非均匀数据集上进行验证,证明了所提算法在复原图像的质量上都优于前人的算法。然后,针对生成对抗网络需要生成器与辨别器相互监督进行训练的特点,其生成器不能过强和判别器也不能过弱的问题,本文提出了融合图像高低频信息的判别器网络,与本文所提的双流图像去雾神经网络相结合,进一步降低了非均匀雾天图像复原存在的颜色失真、细节模糊和浓雾残留问题。传统的判别器仅仅对于单一输入的预测图像进行判别真伪,但是图像的高低频信息可以从像素变化剧烈的程度上判别真假.因此,本文将图像的高频和低频分量与预测图像本身一同送入判别器进行判别,通过在非均匀雾天图像数据集上进行实验验证,在原有算法在加入改进的判别器后,复原图像质量上效果更好。最后,对本课题所提出的算法进行了消融学习,主要分为验证迁移学习方法的有效性、验证注意力机制和多尺度增强模块有效性三个部分。首先,通过图像的客观指标峰值信噪比（Peak Signal to Noise Ratio,PSNR）与结构相似度（Structral SImilarity Metric,SSIM）的评估,以及验证集中的非均匀图像局部恢复情况评估,充分证明了所设计的网络结构和所提出的方法的有效性和合理性。最后,在I-HAZE,O-HAZE和RESIDE雾天图像数据集上进行验证,也取得了很好的复原效果,证明了我们所提方法得有效性。