研究机器视觉技术的目的是用机器实现人的视觉系统功能，达到对环境的观察理解并从中“学习知识”，重点涉及图像处理与模式识别等多个领域。近年随着计算机运算能力的不断提升，可以运行越来越复杂的机器视觉算法。加之相关基础理论的不断发展，机器视觉技术的应用得以推广到更多领域，例如人脸识别、无人驾驶汽车、道路交通管理、产品质量等级分类等。现实生活中人类的各项活动都受到天气现象的影响。现今越来越多的智能设备不断涌现，用来代替人类完成各种高难、高危任务，某些应用场景中智能系统可能需要根据天气状况来做出不同的判断和选择，因此研究智能系统所处位置环境的天气现象识别的实现方法具有实际意义。本文以此为出发点，对模式识别相关理论方法进行了研究，以统计学习理论为基础，运用支持向量机方法对天气现象的分类与识别进行了探索和实验。提取样本的特征属性是模式识别系统的第一项任务，它为分类器训练提供输入。分类器训练能否顺利进行与设计提取的特征模式密切相关，一般要求所选特征包含充足的分类信息，并且特征数目要尽可能的多。本文通过分析不同天气条件下图像退化现象和色彩变化等特点，设计提取了对比度、锐度、功率谱斜率、纹理以及色彩特征，并改进了常规的提取样本图像全局特征的的做法，先对图像进行分割，再对所有的子图像计算局部特征，这样可以获得对样本特征尽可能详细的描述。在提取到子图的特征构成样本的原始模式后，利用K-W检验及主成分分析方法对模式向量进行降维，以减少冗余分量。在完成特征提取后，本文还进行了基于支持向量机的分类器设计工作，重点对使用支持向量机解决多分类问题进行了研究，提出了一种改进的基于有向无环图的决策树结构。该结构保留了传统有向无环图方法的强推广能力，同时减少了所需训练的分类器数目，节省了训练及判别时间。最后，本文以哥伦比亚大学计算机视觉实验室开放的WILD天气图像数据库为样本，在MATLAB中对文中所选用的算法做了实验仿真及结果分析，达到了预期效果。