在国家倡导的“科技强国”战略背景下,目标检测已广泛应用于智慧交通、图像处理等领域。但在实际交通场景应用中,经常面临着复杂的天气环境,例如在暴雨天气下,获得的图像较为模糊、细节丢失严重,导致目标检测难度大,极易出现误检及漏检率高等问题。本文依托国家重点研发计划项目（2019YFE0108300）和国家自然科学基金（52172379,62001058）,针对上述问题,提出一种基于PRe Net和YOLOv4融合的雨天交通目标检测网络DTOD-PRe YOLOv4,其由改进的图像复原子网D-PRe Net和改进的目标检测子网TOD-YOLOv4融合而来,主要研究内容如下:（1）针对PRe Net图像复原网络对雨天交通场景图像雨纹去除不彻底,复原后的图像视觉较暗等缺点,提出一种D-PRe Net图像复原网络。该网络采用提出的多尺度膨胀卷积融合模块MECFM为具有不同尺度和方向的雨纹特征赋予不同的感受野,更好地提取了丰富的细节与边缘信息。同时,借鉴注意机制思想,将SE-Block与递归残差块融合成注意力机制残差模块AMRM,使之能够有效克服PRe Net中长短期记忆单元LSTM仅能学习固定长度内部特征的局限,增强了雨纹特征提取能力。实验结果表明,D-PRe Net复原网络相比原PRe Net网络,SSIM和PSNR分别提高了0.20%、6.79%。（2）针对雨天交通目标检测精度低、检测速度慢等问题,提出一种适用于雨天场景下的交通目标检测网络TOD-YOLOv4。该网络通过反向深度可分离卷积RDSC模块取代堆叠的1×1和3×3卷积,生成RDSC-CSPDarknet53特征提取主干网络,减少网络冗余的权值参数。同时,为缓解目标（尤其是小目标）检测过程中出现的过拟合现象,将复合残差块CRB引入YOLOv4的多尺度检测任务中,旨在获取更加丰富的语义信息,提高交通目标检测精度。此外,采用改进的K-means++方法优化锚点框参数,提高聚类精度,从而进一步提升网络的检测效率。实验结果表明TOD-YOLOv4目标检测网络与原始YOLOv4目标检测网络相比,平均检测精度和检测速度分别提升了13.54%、16.91fps。（3）针对恶劣天气条件下雨天交通场景车辆公共数据集匮乏且海量图像获取难度大、周期长等问题,构建了一套雨天交通场景车辆目标数据集VOD-RTE用于实验验证及对比分析。综上,将DTOD-PRe YOLOv4雨天交通目标检测网络与目前较新、检测效果较优的YOLOv3、YOLOv4、SSD等目标检测网络进行对比,实验结果表明DTODPRe YOLOv4可在雨天交通场景下获得更优秀的交通目标检测精度和效率。其中,F1值、AP值和检测速度较YOLOv4而言,分别提升了5.34%,19.35%,9.77fps。