为提升复杂交通场景下天气识别准确率的同时实现网络轻量化，提出了一种结合改进ConvNeXt网络与知识蒸馏的天气识别方法。首先，在ConvNeXt网络的每组Block特征提取块后加入SimAm注意力机制，构建ConvNeXt_F网络，利用SimAm注意力机制对Block块提取的深层特征进行鉴权并校正权重，有效强化对天气判别性特征的捕获能力；其次，在网络训练过程中将Equalized Focal Loss（EFL）与Mutual-Channel Loss（MCL）采用平均占比的方式进行累加作为总损失函数，一方面利用EFL消除数据不均衡造成的影响，另一方面利用MCL减小同类天气下局部细节特征差异；最后，采用知识蒸馏技术将天气分类知识从ConvNeXt_F网络迁移到轻量级MobileNetV3网络，虽然精度略微损失但网络参数量大幅减少。实验结果表明，与其他算法相比，所提方法在本文构建的宁夏高速公路场景下的天气数据集weather-traffic和公开的自然天气数据集RSCM2017上准确率分别达到96.22%，84.8%，FPS分别达到157.6 Hz,137.6 Hz，FLOPs和Params仅为0.06 G和2.54 M，识别精度、速度和网络的轻量化较原网络均有提高，能够更好地应用于储存和计算能力受限的实际场景中。

在太阳能热水器及太阳能电池等太阳能发电领域，下雨、下雪、阴天等气候因素将严重影响发电效果，而太阳能随动系统工作也必须消耗能量，所以迅速判断当前的天气状况，并设计自适应的开关随动系统极其重要。当天气状况为阴雨或者雪天时，系统应当关闭从而减少能耗。鉴于传统的天气识别方法效率低、准确度差、计算量大的问题，在公开的天气图像基础上创建了一个具有多种类别的天气分类集，并提供了一种基于卷积神经网络与特征融合的天气图像识别技术。通过采用传统方式获取图像的颜色、纹理、形状3种特征作为整个模型的底层特征，在原本的VGG16(visual geometry group-16)模型基础上进行了改进，从而提取图像的深层特征，最后将底层特征与深层特征融合起来在Softmax上进行输出，总识别率达到94%。