现实生活中自然场景下的天气状况影响着人类的生产生活,尤其在交通运输行业,无论是城市交通还是城际交通,每时每刻都与天气状况有着紧密的联系。恶劣的天气不仅会大大削弱交通运输效率,还有可能直接导致交通事故,危及人们的生命财产安全。因此,在高速公路管理、汽车辅助驾驶、公共交通运营等方面,都需要以准确掌握交通环境中的天气状况为前提。目前,利用视频监控图像识别各类交通环境中的气象状况是智能交通系统的重要研究课题之一,虽然可以利用气象传感器监测局部天气状况,但是存在价格昂贵,难以应用于巨大交通网络的现状。虽然目前研究者利用图像分类在天气识别上取得了不错效果,但是在实际应用的过程中随着天气训练数据的日益增加,同一任务的天气识别模型便需要反复训练,给服务器的数据传输与数据存储造成巨大的压力。本文尝试利用图像检索方法,更高效率地对监控视频中交通场景下的天气状况进行识别。其中主要工作和创新点如下:（1）由于目前天气数据集类别数较少,且对于交通应用场景缺乏针对性,本文为了更好地接近实际应用,构建了全新的交通道路场景多分类天气数据集,共包含4070张图像且覆盖11种天气及道路自然灾害类型,包括晴天（正常）、雨天（大雨、小雨）、雪天（大雪、小雪）和雾天（薄雾,浓雾）,以及积水、洪涝、泥石流和滑坡。针对构建好的天气图像数据集,首先利用图像分类的思路,通过迁移学习VGG-16分类网络,实现了天气图像识别的任务,并验证了所构建数据集的可靠性与有效性。（2）针对目前天气图像分类识别方法所存在的模型缺乏类别泛化能力,实际应用中效率低等问题,本文利用图像检索的思路,构建了基于度量学习的特征提取网络,提出了基于图像检索的天气识别算法,并在公开数据集及所构建数据集上进行了对比实验,实验结果验证了此方法的有效性,该方法比图像分类的方法更具有优势,具有更强的类别泛化能力。（3）为了进一步提高基于图像检索的天气识别算法的检索性能,本文引入了天气注意力机制模块,提出了融合注意力机制的天气识别算法,加入通道注意力及空间注意力机制,提高了检索网络对于天气特征的关注重心,且引入了全新的度量损失函数,显著提升了天气图像检索的性能。实验结果表明,本文提出的基于图像检索的天气识别算法及融合注意力机制的天气识别算法都取得了较好的检索效果,能够对交通场景下的天气状况进行有效识别。