目标检测是对物体的类别和位置进行判断的一种技术。随着深度学习在计算机视觉领域的发展,目标检测算法取得了重大的突破,在视频监控、行人检测等现实生活领域有了越来越广泛的应用。然而深度学习领域下的目标检测常用模型计算量大,对硬件资源要求高,在实际应用中对小型设备不友好,限制了目标检测算法在生活中的部署和应用。另外在现实生活中经常会遇到夜晚等低光照环境,图像的对比度低、细节信息被隐藏在背景中,机器处理起来难度增加,直接影响目标检测的精度。为了解决低光照条件下目标检测算法在速度和精度方面的问题,本文在SSD（Single Shot Multi Box Detector）目标检测算法的基础上进行改进,提出了结合乐高滤波器的低光照图像融合检测方法。针对低光照图像目标检测速度的问题,本文通过乐高滤波器组成的乐高卷积对SSD目标检测中占用大量计算资源的传统卷积层进行改进,减少模型计算的参数量,提升目标检测的速度。通过改进的网络与原始网络结构在低光照图像上的对比实验,可以发现改进后的模型在提升检测速度的同时依然能保持良好的检测精度,验证了该方法的有效性,具有一定的实际应用价值。另外针对低光照图像目标检测精度低的问题,通过低光照增强算法对数据预处理,然后将处理后的数据集和原始数据集分别输入到改进的目标检测网络模型中训练,最后采用Soft-NMS算法对模型检测到的结果进行融合处理。通过SoftNMS算法滤掉不同模型产生的检测结果中的重叠框,融合不重复框,重新标记检测结果,提升了低光照图像目标检测的精度。通过对比实验,验证了该过程的可行性,有效的提高低光照图像的检测精度。