随着经济和科技的不断发展,目标检测技术也得到了长足的进步。常用的目标检测算法是利用目标图像与背景图像相减得到目标的区域,目标检测区域光照强度以及目标是否有遮挡等因素都会影响目标检测结果。检测出来的目标质量会对目标的识别、跟踪以及视频监控等效果产生影响。当摄像头处于低照度或者低能见度的情况时,例如雾天、雨天、夜晚等情况。传统目标检测算法存在检测精度较低,检测速度慢,目标漏检率高等问题。因此,针对上述问题,本文首先利用改进型图像增强算法进行图像增强处理,再将处理后的图像传入实时目标检测系统（Real-Time Object Detection,YOLO）与残差网络（Residual Network,Resnet）改进型卷积神经网络进行目标检测与识别,最终设计实现了基于智能终端的目标检测与识别系统。本文的具体研究内容如下:1、针对摄像头在低照度、低能见度等恶劣天气情况下,目标识别度差的问题,研究分析对比了单尺度图像增强算法（Single Scale Retinex,SSR）、多尺度图像增强算法（Multi-Scale Retinex,MSR）、含颜色恢复的多尺度Retinex图像增强算法（Multi-Scale Retinex with Color Restoration,MSRCR）以及暗通道图像增强算法（White Patch Retinex）,采用了基于改进型White Patch Retinex算法。此算法没有采用图像当中最亮的点当作入射光的光照强度,而是采用了计算原图像当中每个通道的累计直方图,取累计到某一个值作为图像的模拟入射光强度,相比于其他算法,发现采用改进后的方法处理的图像色彩真实,图像饱和度高,图像更加清晰等优点。经实验证明,本算法在低照度、低能见等不同的环境下,具有良好的检测效果。2、针对利用YOLO卷积神经网络检测目标的问题,本文提出了把残差网络和YOLO网络结合起来进行目标检测与识别。由于残差网络层次比较深,可以在保证网络不退化的情况下,提升目标检测的精度。因此在本文中,删除了YOLO的24层卷积层分类器,而采用了50层的残差网络,让其成为特征提取器,来进行目标的检测与识别。经实验证明,本文提出的算法检测精度有了明显提高,检测速率较快,鲁棒性高。3、针对低照度、低能见度目标检测与识别在智能终端上的应用研究,通过终端能够对低照度、低能见度目标进行图像处理,同时传输到改进型YOLO网络,进行目标的识别和检测。能够广泛的运用于安防领域,自动驾驶,电力行业以及城市管理等方面,具有较大的市场应用价值。从实际角度去验证算法的优化效果。终端软件操作方便,具有较好使用体验。终端能够在较短时间内,一方面实现图像的增强,另外一方面实现目标的检测与识别。