随着公路建设的发展,山区公路里程数逐年增加,受地理环境、气候条件等因素的影响,山区公路容易产生极端天气,从而给交通运营和管理带来巨大威胁。雾天引起的交通事故由于其人员伤亡大、处理时间长、后续影响严重等特点,成为影响交通安全的主要极端天气之一。随着新一代信息技术和智慧公路建设的发展,特别是机器学习浪潮的兴起,基于机器学习的公路雾天检测和分类成为研究的热点。本文在对公路雾天图像识别与分类研究现状分析的基础上,讨论了雾的成因、分类和分级标准,将公路雾天图像划分为无雾、薄雾、浓雾和重雾四个等级。为了保证雾天图像识别分类的实时性,利用宽度学习系统（Broad Learning System,BLS）模型运算速度快的优势,提出了基于BLS的公路雾天图像识别分类算法;为了提取图像精细特征并提高BLS模型的分类准确率,利用卷积池化调整BLS网络结构,构建了基于卷积宽度学习系统（Convolutional Broad Learning System,Cov BLS）的图像分类模型;为了进一步提高分类准确率同时最小化网络复杂度,通过部署压缩和激励网络（Squeeze-and-Excitation Networks,SENet）优化Cov BLS网络结构,提出了基于特征重标定Cov BLS（SENet-Based Cov BLS,Se-Cov BLS）的图像分类算法,通过自学习卷积各通道权重提高模型分类能力,由于SENet为轻量级模块,网络复杂度增加甚微。以公路雾天图像数据集FORSI为实验数据,利用对比实验确定了BLS模型相对最佳映射窗口、特征节点和增强节点数,在此基础上分别对BLS和提出的Cov BLS模型进行测试,结果表明Cov BLS与BLS模型相比薄雾的查全率和查准率分别提高了17.22%和6.23%,浓雾的查全率和查准率分别提高了5%和11.65%,分类准确率达到93.06%;同时与经典的KNN和Bayes图像分类算法相比平均准确率提高了9.56%,与CNN相比在接近的准确率下,运算时间减少了75.34%。通过实验设计了SENet模块的最佳降维比、Squeeze操作模式和Excitation激活方式,在此基础上对Se-Cov BLS模型进行测试,结果表明无雾图像的分类准确率达到100%,相比于Cov BLS模型,薄雾的查全率和查准率分别提高了1.11%和1.73%,浓雾的查全率和查准率分别提高了2.22%和1.82%,而运算时间和模型参数仅增加了23.71%和7.88%。