自动驾驶技术是利用摄像、感知、定位和控制计算等操作使自动驾驶汽车能够按照既定的路线行驶,并能够在行驶途中检测到行人车辆等时停车避让的技术,其包含了许多学科的综合运用,如机器视觉和人工智能等。近年来,随着机器学习、计算机视觉等技术的不断发展,自动驾驶也成为了国内外研究的重点。而在自动驾驶场景中准确的对目标进行检测跟踪也就成为了研究的重点。自动驾驶场景中会存在夜晚行驶,在夜晚低照度的条件下行驶需要对低照度的图像进行增强来更好的增加目标检测跟踪。车辆行驶过程前方视野中的车辆行人等交通元素容易相互遮挡或被道路上物体遮挡产生检测不到目标及跟踪时目标丢失和目标ID切换的现象。所以本文主要研究自动驾驶场景中的低照度图像增强、交通元素即车辆行人的目标检测跟踪,具体工作如下:（1）低照度图像增强方面,对Retinex算法进行改进。先把图像转变到HSV空间中,并将S分量作线性拉伸处理,对V分量用双边滤波函数的Retinex算法处理,最后把图像转变回RGB空间。通过在BBD100K数据集选取图像做实验,从主观及客观两方面对改进后的算法评估。结果表明改进后算法处理的图像整体较清晰,色彩较好,车辆等物体的边缘细节信息较清晰。（2）目标检测方面,对YOLOv3算法进行改进。首先采用K-means++算法对KITTI数据集重新聚类先验框的宽高,提高先验框和标注真实框间的平均重叠度。再对边界框损失函数进行改进,用CIOU函数替换IOU函数。通过在KITTI数据集做实验,并与原YOLOv3算法对比验证。结果表明在KITTI数据集中改进后算法比原YOLOv3算法m AP提高2.19%,F1提高1.23%。（3）目标跟踪方面,对Deep Sort算法第二次匹中未匹配成功和未进行匹配的预测和检测框的IOU匹配变为GIOU匹配,提高匹配成功率,并与改进后的YOLOv3结合。通过在KITTI数据集上实验,并与原YOLOv3-Deep Sort算法对比。实验结果表明改进后算法能够实现有一定遮挡时成功跟踪到目标并保持跟踪目标ID不变,减少ID切换现象。