交通标志检测是智能驾驶领域中的关键技术,在智能交通系统和先进辅助驾驶系统中占据主导地位。现实场景检测中,由于雾、雨、雪等恶劣天气和复杂光线等干扰因素会导致图像能见度降低,严重影响了道路交通标志的检测精度和实时性,出现交通标志漏检、错检等情况。针对这些问题,本文对雾天和弱光线两种低能见度环境下的道路交通标志检测算法进行研究,相关的具体工作和创新点如下:1)雾天环境下道路交通标志的检测。（1）去雾预处理。由于大气散射模型的去雾图像缺乏真实性,而基于一般深度学习算法的去雾不太彻底,为此提出了一种DCP-ICycleGAN（Dark Channel Prior-Improve CycleConsistent Generative AdversarialNetworks）融合去雾算法。该算法通过使用深度可分离卷积和空洞卷积代替残差块中两个普通卷积,采用全卷积网络构建鉴别器,对循环一致性生成对抗网络CycleGAN（CycleConsistent Generative AdversarialNetworks）进行优化改进,同时添加暗通道先验算法（Dark Channel Prior,DCP）,并结合感知融合模块,获得真实清晰的无雾图像。实验结果表明所提算法相较于DCP、AODNet、EPDN等算法去雾效果更好。（2）针对雾天图像因物体边缘信息模糊、交通标志尺度变化、小目标特征缺失导致交通标志检测精度低、误检、漏检的问题,提出了基于DF-CenterNet（Depthwise separable convolution and Feature pyramid networks-CenterNet）的雾天环境下道路交通标志检测算法。该算法采用深度可分离卷积和Mish函数对残差块进行改进,以减少参数量,提高网络训练的稳定性;另外在残差模块中加入CBAM注意力机制（Convolutional Block Attention Module）,以减少有用信息的损失;还利用FPN（Feature pyramid networks）网络对浅层和深层的特征信息进行融合,从而进一步提高道路交通标志的检测精度。在CCTSDB数据集和自制数据集中进行了验证,实验结果表明,相较于CenterNet算法,DF-CenterNet算法的mAP值提升了5.48%,FPS每秒提高了4帧,同时参数量减少了11.08M,避免了因尺寸较小且雾天能见度低导致交通标志漏检、错检现象。2)弱光线环境下道路交通标志的检测。（1）弱光线图像对比度和细节增强预处理。针对弱光线图像对比度较低且细节信息不突出的问题,提出了CLAHE-UM-GF（Contrast Limited Adaptive Histogram EqualizationUnsharp Mask-Guided Filtering）融合算法。该算法以非锐化掩模技术为基础,提取图像的高频信息,并将其作为标准,对输入图像进行引导滤波,以增强图像细节纹理信息;将经过CLAHE处理后的图像与引导滤波图像进行叠加,获得细节和对比度同时改善的图像。实验结果表明所提出的CLAHE-UM-GF融合算法图像对比度和细节增强效果显著。（2）针对弱光线环境下道路交通标志检测精度不高、漏检、错检等情况,提出了基于TA-YOLOX（Mobile Vi T Block and ASFF-YOLOX）的检测算法。该算法引入轻量级Mobile Vi T Block模块,将CNN和Transformer结合,提高了网络对物体局部和全局特征的学习能力;通过添加自适应特征融合金字塔ASFF（Adaptively Spatial Feature Fusion）,对有效特征层进行加权融合,加快了网络训练收敛速度;并采用Focal Loss替换二元交叉熵损失函数,用以解决因样本少导致分类不准确的问题。实验结果表明,相较于YOLOX算法,TA-YOLOX算法的mAP值提升了2.89%,参数量减少了6.23M,可视化等实验进一步验证了TA-YOLOX算法可以有效避免因弱光线导致的漏检、错检等现象。