随着计算机视觉领域的快速发展,基于机器视觉的交通目标检测与识别逐渐成为了研究热点。近十几年来,从最初传统的人工提取特征到如今主流的深度学习方法,目标检测技术取得了极大的进步,但由于交通环境的复杂多变,目标检测算法仍然受到光照、温度等环境条件的制约,准确、快速的实现交通环境下的目标检测仍具有一定困难。本文围绕交通目标在光照变换、天气等环境影响下的检测问题开展研究。主要研究内容如下:（1）针对可见光图像易受光照、天气等环境因素的影响,单模图像在目标检测中鲁棒性不高,本文探索红外与可见光图像双模融合增强方法,双模信息可以取长补短,为检测提供丰富的轮廓和细节信息,从而实现准确的目标定位和分类。我们引入非下采样轮廓波的图像融合算法,并针对高低频信息设计融合规则得到融合图像。在公共数据集上,本文的方法在多个评价指标下优于其他融合算法,同时相比于单模目标检测,融合图像对检测准确率有较大的提升。（2）复杂交通环境下,关键目标识别容易受到背景噪声干扰,目标误检漏检较高。交通车辆和行人等热感目标,在红外成像中具有显著性特点,为了快速、准确的提取红外图像中的热感目标,本文对红外热感的显著区域进行分析,引入深度学习的显著性区域检测算法,通过多尺度变换信息相互融合的方法提高显著目标的检测,从而增强融合图像中的目标信息。在公共数据集上,该方法在红外图像上能够取得较好的多尺度显著性检测结果。（3）为了提高对图像交通目标的关注度,本文设计了获取融合图像光照敏感度的感知模型,使用了基于灰度指标和基于门控函数与卷积网络的方法计算可见光-红外融合图像的光照度权重,实现了红外显著性图与融合图像的自适应权重复融合,平衡图像背景和显著目标信息。经过实验分析,复融合模态下的交通目标检测具有更好的效果。（4）在上述图像处理的基础上,提出了图像融合与显著注意力机制的目标检测框架,制作了复融合图像的目标检测数据集,在该数据集上对复融合图像进行实验评价与分析。最后,对变光环境下多光谱图像融合的交通目标检测系统进行设计,经过多模态图像预处理模块和目标检测模块,得到最终的目标检测结果。