随着人工智能的日益发展壮大,很多室外视觉系统也在逐步进步并且发展,因此实时的天气状况也影响着基于图像数据的室外监控、天气预测、灾害预警、自动驾驶以及场景理解等领域,使计算机通过图像更加拟人化、智能化的进行天气分类已成为计算机视觉领域备受瞩目的研究课题之一。基于此,本文使用深度学习网络,从基本天气类型分类以及恶劣天气细粒度分类两个方向出发,构建了相关的分类预测模型,使得计算机能够通过数据驱动的自动学习来完成基本天气以及恶劣天气类型分类。针对基本天气类型分类,本文设计了一种基于图像语义分割的双重注意力机制的深度网络模型。具体来说,首先,对天气图像进行语义分割,获得一张图像的天空和地面区域。然后,对这两种区域进行特征学习,其学习过程采用残差网络来完成。其次,为了提取出具有判别力信息的天气类型特征,在深度网络中执行通道注意力和空间注意力学习,将得到的通道特征和空间特征级联,分别从通道和空间两个维度对特征图施加不同的关注,侧重有用信息的提取,从而获取特征图的强有效判别能力。最后,将本文算法与其他基本天气图像分类算法做对比,结果表明本算法在四类和六类基本天气数据集上分别能达到99%以上的准确率。对于恶劣天气图像的细粒度分类,本文提出了一种基于数据增广和通道注意力的改进残差网络的恶劣天气图像细粒度分类网络模型。具体来说,首先对原始图像执行五种不同方式的数据增广操作,包含旋转、翻转、噪声、移位和裁剪,对样本数目较少类别的图像数据扩充,使数据更加平衡。其次,使用简化层数的残差网络架构—ResNet20来完成特征学习,接着,使用通道注意力机制进一步提升特征的判别性。最后,创建本任务的天气数据集,包含雨、雪、雾三类天气的重度和轻度级别的细粒度图像数据集。基于这些数据集的实验表明,本文提出的恶劣天气细粒度分类网络模型在自建的数据集上是有效的,且能达到80%以上的准确率。