（中国海洋大学数学科学学院，山东 青岛 266100）

恶劣的天气条件会对我们的生产、生活产生影响。如果不能准确识别、及时加以判断，将会导致人类的生命及财产安全受到威胁。天气有时候变化非常快。尤其是雾天、雨天、雪天、沙尘等极端天气会对各行各业造成影响。机场的天气预报和交通管控、港口的气象服务等领域都需要知道天气状况的真实情况，同时还希望能够实时监测天气状况，以便及时做出处理措施[1-4]。这对天气状况的识别精度和识别实时性提出了高要求。

目前，传统的天气识别是依靠传感器或者人类自己的视觉来完成。传感器的前期安装和后期维护需要耗费大量的人力、物力和财力，而且天气状况的识别精度和实时性会受到周围环境的影响，导致天气识别出现误差。相比而言，天气图像的获得是比较容易的。因此，基于天气图像的天气识别方法逐渐盛行起来。Lu 等[5]通过提取图像的天空、阴影、映射和薄雾特征，实现了晴天和多云的天气分类；Roser 等[6]和Yan 等[7]通过计算天气图像不同区域的亮度、饱和度和色彩等，利用支持向量机实现了车载视觉系统的晴天和雨天的识别。马啸等[8]和孟凡军等[9]在传统K均值聚类的基础上，通过提取图像饱和度分量作为识别雾霾天气的特征，从而实现了雾霾天气的识别。于浩等[10]通过提取图像的色相、饱和度和亮度等特征,采用贝叶斯分类，实现对雨天和雾天的识别。

上述这些方法的缺点是手动提取特征，模型只能识别2 类或3 类的天气，适用性不广，准确率低，模型的鲁棒性差。……