在科技与社会极速发展的当今,道路上具备自动驾驶功能的车辆数目愈发增多,这些先进的汽车之所以能够实现无人驾驶,是因为车上搭载了大量用于感知周围环境的传感器与摄像机,通过这些设备采集到的图像与路况信息,汽车的检测系统便可以对道路上的目标进行精准识别。然而在实际应用场景中,作为汽车“眼睛”的摄像机,往往要面对比预想中更加复杂的情况,比如夜间光照强度很低,摄像机成像不清晰,致使获取的图片细节丢失严重,又或是雾霾天气时,可见度降低、视野内的目标轮廓变得模糊,以致于图像采集质量大幅降低。以上这些问题都极有可能导致检测算法的精度下降,致使驾驶系统无法有效获取路况信息。由此可见,克服恶劣天气环境对图像采集质量的影响,确保自动驾驶任务中检测系统准确性的研究是十分必要的。针对自动驾驶场景中存在的雾霾对成像设备成像质量产生影响,进而导致检测算法精准度降低的问题,本文提出了一种基于AOD-Net的轻量级去雾算法,通过引入MS-SSIM损失函数,在提升去雾效果与图像质量的同时缓解了算法带来的色彩失真问题。而针对交通图像采集中遇到的低照度问题,本文将AOD-Net与Zero-DCE图像增强方法相融合,来实现对夜间低光照图像的增强。而后,本文在两个数据集上进行了对比实验,并采用了多个评价指标来对算法进行评估。针对传统检测方法对车辆、行人检测效果不理想,检测速率低下,推理时间过长以及精度不足等问题,本文提出一种改进的YOLOv5目标检测算法。该方法采用YOLOv5s为基本框架,参照VOV-Net特征提取网络,通过更改骨干网络结构,将原算法中的C3模块替换为OSA模块,在基本不增加计算量的前提条件下,使主干网络的特征提取能力获得了提升。针对小尺度目标检测不够精确的问题,本文将原算法中负责特征融合的PANet替换为更加高效的Bi FPN,使得算法在多尺度特征融合方面的能力更进一步。本文设计了大量对比实验,在多个数据集上证明了改动的有效性。最后,本文将改进的AOD-Net与YOLOv5方法结合,在真实雾天数据集上进行实验验证,结果表明,与改进前方法相比较,本文方法对有雾天气下的车辆行人检测精度提升了4.2%,在检测识别方面具有较好的效果与性能。