人工智能的蓬勃发展促使计算机代替人类进行了大量工作,例如车辆检测、语音识别、人脸识别等。大雾天气下,城市交通受到严重影响,车辆检测极易出现错检和漏检情况,为了解决这一问题,本文依托国家重点研发计划课题（2019YFE0108300）,国家自然科学基金（61302150）等项目对大雾天气下车辆检测算法进行研究。首先,由于雾天车辆图像数据集匮乏,因此根据自然原理对采集到的无雾车辆图像进行加雾处理。其次,构建一种新的去雾模型对数据集进行去雾。最后,针对数据集的特点,提出适合在大雾天气下进行车辆检测的算法模型。主要贡献如下:1.由于现有去雾算法存在去雾效果不彻底、恢复后的无雾图普遍发暗等缺陷,提出基于深度学习的多尺度融合图像去雾模型。大雾天气下,人类与机械设备视觉受到干扰,进行车辆检测前需要对含雾数据集进行去雾处理。本文提出的去雾模型采用不同尺度的卷积核对特征图进行多尺度特征提取,并且借鉴残差结构思想,将深层与浅层结合,进而得到信息量更为丰富的特征图,这种做法可以有效解决梯度消失和雾天图像细节丢失等问题,去雾效果更加理想。2.雾天环境下,常见的车辆检测算法检测精度普遍偏低,针对雾天车辆数据集的特点,提出适用于大雾天气下进行车辆检测的模型YOLOv4-FOG。本文提出梯形特征融合方式,并对原有的特征提取网络做出精简改进,得到梯形特征提取结构T-CSPDarknet33。此外,由于数据集中车辆目标多数较小,在多尺度预测阶段舍弃感受野较大的预测层,在感受野小的预测层中加入密集连接模块,最终得到完整的YOLOv4-FOG雾天车辆检测模型。经实验对比,该模型不仅提升了检测速度,而且提高了对雾天车辆目标的检测精度,适用于大雾天气下对车辆进行检测。YOLOv4-FOG的m AP值达到了79.4%,速度达到了41.6FPS,比原模型分别提高3.2%和16.9FPS,与其他模型相比均有显著优势。3.由于大雾天气下的交通车辆数据集匮乏,导致模型训练样本的不足,因此构建了含雾车辆数据集。本文对采集到的无雾车辆图像根据自然原理进行加雾操作,从而形成充足的样本。原始无雾样本来源于斯坦福大学车辆数据集和现实环境拍摄的车辆图像。雾天的出现使得人类视野受到阻碍,影响了社会正常运转,因此,有关大雾天气下车辆检测算法研究对目标检测研究领域以及社会发展有着不可替代的积极作用,同时也为有关部门及时制定交通管理政策提供重要依据。