近些年来，由于城市化进程的加快以及人类工业污染物排放的增加，雾霾天气发生的更加频繁，较低的能见度环境对人们的日常生活、安全健康、交通运输等各方面造成了严重的影响。由于目前传统的能见度检测方法常常受限于硬件设备和极端天气条件，导致其效果无法满足实际需求，而随着图像处理技术和卷积神经网络在近些年来的不断发展进步，基于图像识别的大气能见度检测方法因其高效、准确的特点，受到了越来越多科研人员的关注。针对这一趋势，本文分别从多场景的大气能见度等级检测出发，通过选取多款主流的神经网络分类模型对比发现YOLOv11算法较其余算法分类效果更胜一筹，但也存在特征提取能力有限和低能见度场景下的检测效果不佳的问题，为此本文引入空间深度转换卷积 SPD-Conv和高效多尺度注意力EMA对其进行改进，得到最终的能见度分类网络YOLO-FC，通过对照实验发现YOLO-FC在单一场景的数据集上分类准确率提升不大，但在多元化且复杂场景的数据集上对于低能见度场景的分类准确率进一步提升，总体准确率相较原YOLOv11模型提升3.2%，达到97.4%，接着通过进一步消融实验表明单独加入这两种模块均能给原YOLOv11模型带来一定的提升。
 

大气能见度， YOLOv11， SPD-Conv ，注意力机制