目标检测是计算机视觉领域中最基础的任务,也是完成更高级的视觉任务的基础和前提,在安防监控、智能辅助驾驶、无人机侦查等领域有着广泛应用。当前,基于深度学习的目标检测方法在正常照度图像上取得巨大的成功,然而针对低照度目标检测的研究成果还很少。在光照条件不足的情况下,获取的低照度图像存在低对比度、细节信息丢失、模糊和噪声多等问题。这些问题导致直接使用现有的目标检测方法导致检测精度很低、边界框定位不准确,严重限制夜间监控、夜间辅助驾驶等技术的发展。同时,由于低照度图像的特点导致捕获低照度图像并进行目标级标注更为耗时费力,构建大规模的低照度目标检测数据集更为困难。针对低照度目标检测课题,从有监督学习和无监督域适应两个方向展开了研究,本文提出以下两种低照度目标检测方法:1)针对在低照度场景中直接使用现有的目标检测方法无法达到理想效果的问题,从有监督学习的方向出发,结合多尺度特征和注意力机制、改进检测头,提出低照度目标检测方法称之为Dark-YOLO。首先,该方法使用CSPDark Net-53骨干网络对低照度图像进行特征提取;其次,提出路径聚合增强模块以进一步增强特征表征能力;然后,设计金字塔平衡注意力模块捕获多尺度特征并加以有效利用,生成包含不同尺度、更具判别力的特征;最后,使用预测Io U改进检测头,增加Io U预测分支为每个预测框预测Io U值,使得目标定位更加准确。实验结果表明,相较于目前通用的目标检测方法,提出的Dark-YOLO方法在低照度场景下具有较高的检测精度和更准确的边界框定位。2)针对低照度场景下目标检测任务存在域差异和低照度目标检测数据集制作困难的问题,利用现有的目标检测数据集,基于YOLOv3目标检测网络结合无监督域适应提出LIDA-YOLO（Low Illumination Domain Adaptation-You Only Look Once）方法。该方法从局部和全局两个方面解决域差异问题,一方面,通过对Dark Net-53网络中获得三个不同尺度的特征图,进行多尺度局部特征对齐以减少低级特征差异;另一方面,对经过特征金字塔网络（Feature Pyramid Network,FPN）融合后的三个不同尺度的特征图,进行多尺度全局特征对齐以对齐图像的整体属性。最后,对LIDAYOLO方法在正常照度PASCAL VOC数据集和低照度Ex Dark数据集上进行实验并与最先进的无监督域适应目标检测方法对比。实验结果表明,LIDA-YOLO方法优于最先进的无监督域适应目标检测方法。