作为气象部门监测的常规项目之一,大气能见度与其他天气信息一样受到人们尤其是广大机动车司机的密切关注。能见度信息在公路运输、机场航空、海上航行、农业生产等领域都备受重视,低能见度天气现已成为导致交通事故发生的主要因素之一,因此实现对能见度的全方位检测和实时预报意义重大。传统的能见度检测仪器价格昂贵、操作复杂、难以大规模安装,不能满足要求;而场景摄像机广泛使用,基于图像处理的能见度检测并不增加硬件成本。论文从场景图像边缘信息与能见度之间存在的密切关系入手,选择基于模型训练的能见度检测方法作为研究方向。作者采用数字图像处理技术从场景图像中提取出与能见度关联度较大的图像特征并形成特征向量,利用机器学习算法建立图像特征向量与能见度真值之间的关系模型,用于计算待测图像的能见度。论文首先针对图像特征提取提出了不同的方案,在后续实验中验证分析不同方案对模型检测性能的影响。其次,将相关向量回归机(RVR)应用于能见度检测,并采用网格搜索算法进行参数优化,针对基于RVR的能见度检测模型主要研究不同的图像特征提取方案对模型检测性能的影响,通过实验确定最佳方案;并与K近邻(KNN)、未参数优化RVR以及未参数优化支持向量回归机(SVR)进行对比实验,实验结果表明经网格搜索算法优化的RVR模型检测性能优于其他三种模型。最后,通过对遗传算法(GA)和网格搜索算法(GSA)寻优原理以及优缺点进行分析,针对支持向量回归机(SVR)需要优化的参数较多而且寻优困难等问题,结合GA和GSA对SVR模型进行参数寻优,建立基于改进SVR参数优化的能见度检测模型,通过实验分析研究三种不同参数优化方式对模型检测性能的影响,实验结果表明组合GA与GSA对SVR模型进行参数优化可以有效提升模型的检测性能。实验对比分析RVR模型和SVR模型的检测性能,两者在检测结果的相关性、正确率以及MAPE上并不存在一致性的差异,两者在低能见度环境下的检测性能优于高能见度环境,但RVR模型训练所需时间比SVR模型要短,另外RVR模型单个样本测试速度也比SVR模型要快,模型可较好的应用于能见度检测。