随着科技的进步,在人工智能与大数据的时代背景下,深度学习在计算机视觉领域中获得了巨大成功。目前,正常光照下目标检测任务已经得到了蓬勃发展,但是低照度下目标检测任务仍面临众多挑战。由于光照不足,图像成像质量不高,容易受到背景和噪声的干扰,所以细节信息严重丢失难以达到人们预期的要求。本文,利用YOLO算法并结合注意力机制作为关键技术来研究低照度下的目标检测,最终在减少训练参数的前提下,检测到了低照度下多尺度、小目标等测试样本。本文提出了以下两种低照度目标检测方法。（1）针对现有目标检测算法不适合在低照度环境下检测的情况,提出了SESAYOLO（Squeeze Excitation Spatial Attention You Only Look Once）目标检测算法。首先,该算法提出新的SADarknet网络结构,通过深度的卷积神经网络并结合注意力机制,能够根据低照度图像光照强度对特征提取的力度加以区分,达到对低照度特征图的选择性表达。其次,构建新的空间金字塔网络DSPP（Deformable Spatial Pyramid Pooling）,在低光照条件下,特征图可以根据不同卷积核取样点的位置进行自适应的改变,以适应低照度下物体的形状、尺寸等几何变形,满足复杂形状物体的检测;此外,自上而下的多层次特征融合模块可以融合不同层次下低照度图像的浅层与深层信息,加强了低照度特征图的语义表达。最后,选用GIoU作为边界框的损失函数,使网络朝向预测框及真实框叠合度高的方向去优化。实验结果表明:SESA-YOLO模型在低照度数据集上降低了漏检率与误检率,相较于经典的YOLOv3算法在位置信息和类别精度上都得到提升。（2）为了解决目标检测性能与训练复杂度之间的矛盾,提出LYOLOv5（Lightweight You Only Look Once）低照度目标检测算法。文中,首先将YOLOv5网络中的卷积层用GhostNet网络取代,通过使用少量的卷积核生成一个内在的特征图,并在此基础上进行简单的线性转换,从而生成丰富的特征图以克服低照度特征图数量较少的限制。其次,设计一个轻量级的注意力（EPCA）模型,让其在检测精度略有提升的情况下,以较少的训练参数来选择感知区域以辨别背景与噪声。最后跳跃连接中不同路径可以自适应分配不同权重给局部区域,对高层次特征和低层次特征进行有效特征提取,进而在低照度下捕获大量全局上下文信息,使得低照度边缘信息特征图表达更加完善。实验表明,提出的LYOLOv5网络有效提升了低照度下的目标检测精度,同时也降低了低照度目标检测的训练参数,使其优于其他轻量级的目标检测算法。