利用摄像机对车辆进行监控是道路交通参数获取和异常事件检测的基础。与白天相比,夜间道路图像多雾模糊、噪声较大,现有算法尚难以满足夜间车辆检测的要求。因此,基于现有的高速公路视频监控设备,研究夜间高速公路场景下的车辆目标检测,提高夜间车辆目标检测的精度,对于高速公路的交通管控具有重要的理论意义和应用价值。本文针对夜间高速公路场景,分析了夜间高速公路的场景特点和车辆检测难点,重点研究了夜间图像增强算法和改进的Faster R-CNN目标检测方法,最终形成了一套适用于夜间高速公路车辆目标检测的方法。论文的主要工作和贡献如下:（1）针对夜间高速公路视频图像雾霾降质、噪声等级高、现有图像增强算法不适用于夜间的问题,提出了一种适用于夜间高速公路的图像增强方法。首先,采用TV-L1模型将输入图像分解为结构层和纹理层。然后,针对结构层使用暗通道先验去雾算法存在大气光值全局一致、光源区域失效的问题,本文采用高斯中心环绕函数估计大气光图,并结合亮通道先验弥补暗通道先验理论在光源区域失效导致颜色失真的缺陷。最后,针对纹理层去噪易丢失细节的问题,提出采用基于引导滤波的去噪方法。实验结果证明了该图像增强方法在夜间高速公路场景上的有效性。（2）针对夜间车辆目标检测中车辆模糊、尺度变化大的问题,提出了基于改进Faster R-CNN的夜间车辆检测算法。首先,针对Faster R-CNN骨干网络对夜间车辆特征位置不敏感的问题,引入注意力机制对Res Net-50进行改进,通过计算特征图内部特征之间的相关性系数,达到增强重要特征表征能力的效果。其次,针对车辆尺度变化大的问题,对特征金字塔网络进行改进,设计了一种平衡的特征增强结构,充分融合了不同金字塔层次间的语义特征,避免非相邻层级的语义信息被削弱。最后,针对NMS算法固定阈值的缺点,采用Soft-NMS优化后处理操作,减少了漏检车辆的数量。（3）针对目前还未有适用于夜间高速公路车辆目标检测的数据集,本文采集了高速公路在夜晚时间段的监控视频,构建了山区高速公路夜间车辆数据集。在此基础上,综合本文的所有改进策略,建立了一套适用于夜间高速公路的车辆检测算法,并分别针对各项改进策略和整体算法进行了测试。实验结果表明,论文提出的方法能有效改善夜间高速公路图像的质量,在保证检测效率的同时,提高车辆目标检测的精度。