在雾天环境下,基于视觉相机的自动驾驶目标检测系统会面临巨大的挑战,能见度的降低会影响视觉成像效果,造成目标检测算法精度的下降,继而影响后续的决策控制系统。雾天环境下,现阶段的目标检测算法主要存在以下问题:算法多应用于正常天气条件,大规模雾天数据的采集和标注成本高昂,使得直接使用雾天数据训练难以实现。本文针对这一问题设计了基于生成对抗网络的特征监督除雾算法,以及基于该算法的域适应目标检测框架,提升雾天环境下的目标检测精度。本文的主要研究内容如下:设计了基于生成对抗网络的特征监督除雾算法,通过图像复原的两阶段检测方案提升精度。算法建立了特征监督机制,以成对图像作为输入,利用清晰图像含有的先验知识约束雾天图像复原过程。为进一步加强对训练过程的约束,设计了含对抗损失、感知损失、风格损失和特征正则化损失为一体的损失函数,从不同层面上约束模型训练过程。公开数据集以及真实雾天环境数据的实验表明,所提出的算法能有效完成雾天图像复原任务,其后续的目标检测应用实验表明图像复原的两阶段方案能有效提升雾天环境下的检测精度。为解决两阶段检测方案存在稳定性不足以及运行效率不佳的问题,提出了结合特征监督除雾算法和域适应的一阶段目标检测框架。该框架含有图像风格转换模块、特征提取模块和检测模块。为达到缩小正常天气和雾天数据域的分布差异的目的,首先通过特征监督除雾算法及其逆变换完成图像域间的风格转换,其次,在高低维特征提取层引入域分类器,通过对抗训练的方式来缩小域间的特征差异。实验结果表明,所提出的域适应方法检测精度较直接检测有明显提升,精度与两阶段检测方案几乎相同,但模型运行效率明显提升。同时,进行雾天适应后的检测模型同样适用于正常天气条件。