随着计算机视觉技术的不断发展,对户外环境下天气现象的检测与识别提出了迫切的需求。户外彩色图像天气类型的判断在天气预测、灾害预警、自动驾驶以及图像复原等领域有着广泛的应用,因此,户外彩色图像的天气分类已经成为计算机视觉技术亟待解决的问题。在综合分析国内外研究现状的基础之上,针对国内外现有天气分类问题研究成果的不足,通过深入挖掘户外彩色图像的天气相关特征,充分利用机器学习等相关理论,对户外彩色图像的天气晴阴分类进行了深入研究。首先,介绍了户外彩色图像的基本概念以及天气特征的相关知识,并且对于本课题所涉及的机器学习算法进行了简要的介绍,主要包括有监督思想与无监督思想、特征选择、随机森林分类器和K-means的相关理论知识。其次,提出了一种基于随机森林实现户外彩色图像天气晴阴分类的方法。首先通过深入挖掘户外彩色图像的天气相关特征,提出天空频率直方图特征、阴影能量特征以及透射率特征;然后提出了Fisher-Random Forest特征重要性计算方法,将已有的天气相关特征进行筛选,选出特征重要性高、特征维度低的特征构成天气特征;最后将天气特征输入到随机森林分类器中实现天气分类。再次,通过研究无监督聚类的特点,提出了一种基于无监督聚类实现户外彩色图像天气晴阴分类的方法。首先利用方差和协方差矩阵进行特征降维,然后针对K-means聚类中心点的选取进行了相应地改进,最后将降维后的特征矩阵输入到改进后的K-means算法中实现天气分类。最后,将所提方法和已有的天气分类算法进行了详细的实验对比。