随着深度学习和无人驾驶技术的发展,道路目标检测的应用越来越广泛。道路目标检测对实时性和准确性均有较高的要求,此外室外环境常常出现雾天等恶劣天气情况,极大的影响了目标检测算法的效果。研究雾天环境下的道路目标检测问题,提高现有目标检测算法准确率,对相关行业的发展有重要意义。本文以卷积神经网络为基础,对雾天道路目标检测算法进行了研究。本文以YOLOv3网络为基础,提出了融合深度可分离卷积和密集残差网络的目标检测改进网络。该网络改进了YOLOv3网络的特征提取模块,增加了卷积的模块数和YOLO层。该目标检测网络相对于YOLOv3网络在m AP@50评价指标上有较大的提升,由于参数量和计算量的减少,在检测速度上也有所提升。在上述工作的基础上,本文还提出了基于K-means++算法和GIOU算法的预选框聚类算法,对预选框的选取进行了改进,进一步提高了检测的准确率。在实验阶段,本文从BDD100K数据集中抽取了两万张图片作为数据集。本文提出的改进网络在该数据集上的m AP@50评价值可达56%,优于初始的YOLOv3网络。为了解决雾天目标检测识别率低的问题,本文提出了一种基于大气散射模型的可嵌入去雾神经网络。该网络使用了倒置卷积和深度可分离卷积等轻量化模型的技巧。该网络借鉴了AOD-Net融合大气散射模型的方法,将大气光成分和传输图视为一个变量K进行预测。在实验阶段,本文首先通过对Cityscapes数据集进行加雾算法的处理,得到对应的有雾数据集。使用有雾数据集分别对本网络和AODNet等其他去雾模型进行训练和测试。根据实验结果可知,本文提出的去雾网络在PSNR与SSIM两个评价指标上均优于其他去雾算法。在模型融合的方法上,本文采取了直接串联法,即有雾图像首先通过去雾网络进行处理,得到的无雾图像进一步使用本文提出的目标检测算法进行检测。在实验阶段,本文使用Cityscapes数据集对神经网络模型进行训练,并使用有雾验证集对模型进行效果的验证。融合了去雾模型的目标检测网络在有雾图像上的检测效果比单模型在m AP@50指标上高6%。