城市交通环境中的车辆、行人和交通信号因受到雨雪等天气特征遮挡,导致车载相机采集的图像质量下降,增加了交通目标的特征提取难度。为提升无人车对恶劣天气的适应能力,本文采用生成对抗网络对包含天气噪声的图像进行图像增强,借助目标检测和图像增强技术为无人车在恶劣气象环境下行驶提供增强检测办法,降低无人车对交通目标的误检和漏检率。本文针对恶劣天气下的交通目标增强检测技术进行如下研究:（1）针对雨天环境中相机采集的图片包含雨纹噪声,背景信息受到雨线遮挡而导致系统无法有效提取背景特征,本文借助生成模型对数据的重建能力,使用长短期记忆模块对天气噪声的空间位置进行学习,加入尺度金字塔结构对雨纹噪声进行多尺度适应。生成模型基于雨纹的高频特性和雨线定位感知图,使用密集残差结构对噪声进行频率筛选得到雨纹特征,并利用雨纹成像模型消减雨纹得到清晰的背景图像。生成网络通过与判别网络的相互博弈训练中,取得优异的雨纹去除和背景修复效果,实现从图像增强的角度提升无人驾驶辅助系统对交通目标检测精度的提升。（2）针对相机图像出现雪花粒子遮挡、雾霾面纱效应问题,本文提出将噪声图的边缘纹理信息、色彩信息进行解耦重建,使用两个生成器分别就背景边缘纹理和色彩信息进行分离修复,将雪花、雾霾消除解耦为背景纹理与色彩重建两个子任务,采用分别监督图像边缘和特征重建的协同训练方式,增强天气噪声的消除效果,取得高效的雪花和雾霾消除效果,提升了无人驾驶辅助系统在雪霾天气条件下的环境感知能力。（3）针对行车辅助系统对相机图像的远景小尺度的车辆、信号灯等目标,由于多次卷积造成的目标特征丢失和提取困难问题,本文将通道和空间混合注意力机制引入到主干网络中,将高层语义特征和浅层细粒度特征进行融合,主干网络通过浅层细粒度特征补充的方式将小目标特征融入检测头网络的特征图中,加强了车辆对道路远景中的小尺度交通目标的检测和感知能力。综上所述,通过对衰减图像分步进行边缘修复、色彩重建的策略,本文实现对恶劣天气下采集的图片进行图像增强和天气特征消除的任务,提升无人车的交通目标检测的效果。本研究提升无人车在恶劣天气下的适航能力,为无人驾驶工程技术人员和学者提供理论和技术支持。