深度学习的发展使目标检测技术成为近年的热门方向,得到广泛研究并被应用于多类实际场景。随着我国经济的高速发展,机动车的数量在逐年增加,一方面,提高了人们的生活质量,给人们的出行带来方便;另一方面,车辆的增加导致交通安全问题日益严重。将目标检测技术与智能驾驶相结合,在很大程度上能够缓解交通压力,解放人类的双手。但在实际场景中,目标容易受到环境变化的影响,导致使用YOLO算法检测目标时无法得到准确的结果。因此本文针对雾天环境下的目标检测技术进行改进研究。主要研究内容如下:（1）针对雾天环境下能见度低,行人、车辆等目标不明显的问题,使用图像增强技术对图像进行去雾处理。本文以去雾效果和处理图像的时间作为评价指标,从单尺度、多尺度和暗通道去雾三种算法中选择单尺度作为本文最终的去雾算法。（2）对比分析了YOLO系列算法,选择YOLOv5作为本文的目标检测算法。针对YOLOv5在检测目标时存在的漏检和误检现象提出解决办法。首先,在YOLOv5主干网中加入注意力机制模块,加强对channel特征的学习,以便提高检测精度。其次,在YOLOv5网络中引入BiFPN结构,增加各级特征图的语义信息,减少目标物体的信息丢失,提高了小目标的检测能力。为验证改进算法的有效性,本文对数据集进行训练和验证,实验结果表明,在保证检测速度符合的前提下,本文改进算法在去雾数据集上的检测精度（mAP）相较于原算法提升了8.1%,能够有效改善漏检和误检问题,提高雾天环境下的目标检测准确率,为解决交通安全问题提供一定的技术支撑。