目标检测是计算机视觉领域的重要研究课题,也是一些高级视觉任务的理论基础,现阶段被普遍应用于自动驾驶、航空航天、智能视频监测、人脸识别等领域。现有的目标检测算法大多数是基于可见光的RGB图像进行的,该类算法依赖光照条件,在光照不足的情况下,漏检率会急速上升;热图像在光照不良条件下可以获得稳定的目标特征。因此,本文以基于YOLOv4（You Only Look Once v4）的目标检测算法为基础,针对白天光照不足和夜间无光条件下检测效果不佳的问题,将可见光图像和热图像结合,并对YOLOv4算法进行优化,进而提升光照不良条件下热图像目标检测的准确率。本文的具体工作如下:（1）针对多光谱目标检测的模态不平衡以及精速不平衡问题,提出了一种双模态差分融合（Two Modol Differential Fusion,TMDF）数据增强算法。该方法利用差分思想混合可见光RGB图像和热图像的特征达到数据增强的效果。具体地:在YOLOv4的输入端加入TMDF数据增强算法,骨干网络使用改进的CSPMobilenetv3代替YOLOv4的CSPdarknet53结构,并在网络颈部加入深度可分离卷积,进一步减少参数的数量,最终在保证精度的前提下,提高了网络的检测速度,减少了网络的复杂度。（2）针对KASIT数据集中热图像行人检测漏检率过高的问题,提出了一种基于离散余弦变换（Discrete Cosine Transform,DCT）调节网络的YOLOv4,该方法利用DCT获取图像的频域信息,在YOLOv4的骨干网络中分出一个调节层,以光照条件的强弱作为调节层的输出,并利用该输出反向调节YOLOv4的输出,得到最终的网络输出,达到了降低漏检率的目的。本文将方法（1）用于KASIT数据集和自制数据集进行验证,最终在m AP（mean Average Precision）值基本不变的前提下,分别取得了检测速度提升27%和24%的效果;本文将方法（2）用于KASIT数据集进行验证,最终在检测速度仅下降5%的前提下,使漏检率下降了13.01%。