随着科技的发展,智能化的摄像头已经普及,目标检测也因此得到了广泛应用。例如,在无人驾驶、视频监控和智慧城市等领域都可以看到它的身影。尽管目标检测算法在正常光照的数据集上取得了良好的效果,但是在低照度情况下进行目标检测仍然是一个难题。最主要原因是:目标检测算法的训练集往往是正常光照的图像,而在低照度情况下获得的大多是亮度偏低的图像,因此训练集和测试集之间就存在了巨大且复杂的数据偏差,不仅体现在像素级偏差（如明暗不同,噪音不同）还体现在特征级偏差（如目标不同,场景不同）。所以,为了提高低照度情况下目标检测的准确率,尽量减小训练集和测试集之间的偏差就显得非常重要。针对数据偏差的问题,本文围绕低照度目标检测算法展开了研究,提出了基于YOLOv3的低照度目标检测算法。本文主要工作内容和创新点是:第一,为了减小像素级偏差,本文采用双向拉近的方法对图像进行预处理。因为低照度图像和正常照度图像之间存在着巨大的偏差,所以只对低照度图像增强或只对正常光照图像暗化无法有效地减小两者的距离。因此,本文同时采用了低照度图像增强算法和正常照度图像暗化算法将两个数据集向彼此拉近。具体步骤是:首先,利用图像信号处理过程将正常照度图像暗化为低照度图像;然后,使用Dce Net将低照度图像进行增强。第二,为了减小特征级偏差,本文提出了Y3JNet（YOLOv3 Jigsaw Network）,该网络将特征适应算法与YOLOv3目标检测算法融合,共享主干特征提取网络,将低照度增强图像和暗化图像映射到同一空间,减小特征之间的偏差。第三,针对特征适应任务和目标检测任务,本文使用多任务学习的方法,平衡多个损失函数,提升训练效果。本文使用提出的基于YOLOv3的低照度图像目标检测算法在Exdark数据集上对11个分类进行了测试,利用双向拉近的方法将m AP从37.74提高到39.29,添加特征适应算法后m AP提高到39.70,加入多任务学习后m AP提高到40.19。本文不仅进行了消融实验,并且与近期的算法进行了对比实验。实验结果表明,本文提出的算法能够有效提高在低照度情况下的目标检测效果。