雾霾天气是一种受排放物、空气污染物或其他因素引起的复杂气象,一般在地面附近凝结,形成团雾导致能见度降低。大气能见度与人类生活息息相关,低能见度造成视线模糊影响人们的出行,特别是在高速公路上,机动车车速较高,一旦发生车祸就会对生命安全和公共资源带来无法估量的伤害。据交警部门数据统计报告,我国每年因为低能见度导致的交通事故发生率约占据总事故发生率的20%。因此本文针对高速公路监控图像的雾霾能见度检测展开了两部分工作,主要内容如下:（1）针对现有的雾霾能见度测量仪器难以实时检测以及收集大规模带有标签的数据成本高等问题,传统算法在小数据集上有着天然的优势。因此本部分工作主要是研究了一种基于传统算法的高速公路图像能见度检测方法。本方法主要利用自然图像特征统计方法提取图像视觉特征,包括局部亮度归一化系数、图像熵、Michelson对比度、暗通道先验、色彩丰富度。然后通过多元高斯模型拟合这些特征,构建数学模型计算出能见度系数,最后利用支持向量机预测能见度范围。实验表明,提出的算法在小规模真实场景数据集上具有较好的分类精度,能够满足高速公路雾霾天气能见度预警要求。（2）针对人工设定特征表征能力弱的问题,提出了基于分层融合卷积神经网络的能见度检测方法。受人类视觉系统分层感知机制启发,该网络融合了图像在不同卷积层的特征,在端到端框架中实现多级特征共同优化。此外,在不同卷积层加入通道注意力机制学习获得不同特征通道的权重,将通道维度权重施加在原始特征上获取图像全局信息。同时,卷积网络最后的全连接层使用改进的大裕量Softmax损失函数,引导网络学习到的特征使得样本类内距离紧密、类间距离离散。实验表明,提出的网络相较于其他先进网络在真实场景数据集和合成数据集上具有更高的能见度检测精度。