无人驾驶汽车使用车载相机等设备采集行驶场景的图像信息,利用后续的目标检测算法理解环境信息。低照度行驶场景由于环境光不足导致采集的图像质量下降,后续检测算法难以保障足够的检测精度。另外,由于车载相机安装位置受限以及交通拥堵等情况,导致车辆与行人检测场景存在目标密集、目标尺度偏小、目标不同程度的遮挡截断、目标外形轮廓复杂多变等检测难点,使得车辆与行人检测精度低,难以保障无人驾驶汽车的行驶安全。为了提高低照度场景下车辆行人的检测精度,本文选取YOLOX算法作为车辆与行人检测基础算法,选取Zero-dce算法作为低照度图像增强基础算法。首先设计了基于三阶段自适应特征融合网络和改进主干网络的S-YOLOX车辆与行人检测算法,随后设计了纹理细节与光照质量同时增强的MZero-dce图像增强算法。最后,基于以上设计的两个算法设计了低照度场景车辆与行人检测算法。主要研究内容如下:（1）设计了改进YOLOX主干网络的车辆与行人检测算法。针对YOLOX检测算法对小尺度目标和外形复杂多变目标存在特征提取能力不足的问题,从主干网络结构上替换Focus切片下采样层,增强小尺度的目标特征提取能力。引入可变形卷积和CA注意力机制,增强网络对目标形变的适应能力,帮助网络从海量冗余信息中精准快速地定位目标关键特征。针对数据集自身的类别不平衡问题,通过线下数据增强扩充数量较少的类别,优化网络的收敛效果。（2）设计了三阶段自适应特征融合网络。车辆与行人检测场景存在目标密集、目标尺度偏小、目标尺度变化大、目标不同程度遮挡截断等检测难点,针对YOLOX检测算法在以上场景对应存在的标签重识别、特征融合不充分、上下文信息提取能力不足的问题,设计了三阶段自适应特征融合网络,针对性地解决以上存在的三个问题,提高车辆与行人目标的检测精度。（3）设计了低照度场景车辆与行人检测算法。首先合并以上改进方案,得到检测精度更高的S-YOLOX车辆与行人检测算法;随后,设计了同时增强细节纹理与光照质量的MZero-dce图像增强算法;最后基于S-YOLOX车辆与行人检测算法与MZero-dce图像增强算法设计了两阶段组合式的低照度场景车辆与行人检测算法。针对检测场景的实时性需求,设计了低照度图像判别方法,对输入图像分流;针对MZero-dce低照度图像增强算法与S-YOLOX车辆与行人检测算法存在的任务鸿沟,设计了联合训练策略优化组合算法的收敛效果。实验结果表明本文设计的低照度场景车辆与行人检测算法能有效改善低照度场景的图像质量,并实现更高的车辆与行人检测精度,能更好的保障无人驾驶汽车在低照度场景的行驶安全。