当今社会生产生活中,众多领域都将计算机视觉技术运用到了实际当中,如视频监控、机器人探测以及无人机侦察等。目前已有大量工作对正常照度目标检测技术进行了研究,但对低照度图像目标检测的研究却很少。在整体光照不足或局部光照不均的场景下捕获的图像普遍存在照度偏低、对比度不足和细节信息严重丢失等问题。这些问题致使低照度图像无法包含足够的信息量,同时低照度图像捕获条件相对苛刻,且目标标注难度较大,需要耗费大量的时间和精力,不利于大规模低照度目标检测数据集的构建。本文针对低照度图像目标检测课题展开研究,通过研究基于迁移学习的图像特征增强和跨域目标检测技术,解决低照度图像信息不足和数据样本稀缺问题,使低照度图像能够与正常照度图像同样拥有良好的检测效率。本文利用迁移学习作为关键技术,分别针对上述不同场景提出了以下两种低照度目标检测方法:针对低照度图像在照度低的同时普遍存在光照不均匀和对比度低,严重影响低照度目标检测精度的问题。提出了一种结合特征增强和多尺度感受野（feature enhancement and multi-scale receptive field,FEMR）的低照度目标检测方法。首先,利用像素级高阶映射模块学习低照度到正常照度的高阶映射关系,提高低照度目标特征显著性,获得初步增强的特征信息。然后,利用关键信息增强模块结合多种注意力机制,突出重要特征并过滤噪声信息,获得进一步增强的特征信息。此外,利用长距离特征捕获模块引入多种尺度的条状感受野,捕获低照度场景中孤立区域的长距离关系。实验表明,FEMR在低照度目标检测精度方面具有较好的表现,实现了端到端的低照度目标检测,同时能直接输出正常照度风格图像下的检测结果。针对使用深度学习方法训练低照度目标检测器时存在的低照度图像样本稀缺问题,设计了一个以Faster R-CNN目标检测器为基础,联合渐进对齐和原型对齐的低照度目标检测网络框架（low illuminance object detection network based on faster R-CNN object detector,combined progressive alignment and prototype alignment,CPA-NET）,使用大规模的正常照度图像数据集为小规模低照度图像数据补充检测信息,实现无监督低照度目标检测任务。首先利用图像级和实例级的领域渐进对齐模块让检测器无法分辨图像所属领域,并使用一致性正则化损失确保两个层级的域分类结果保持一致。同时使用基于图卷积的信息聚合模块完成对每个类别的原型表示。在此基础上,利用平衡样本比重的重加权模块赋予稀缺样本更高的权重来协调不同类之间的领域自适应过程。实验结果表明,本文构建的CPA-NET低照度目标检测方法与当前先进的跨域目标检测器相比,具有更好的检测性能。