基于视觉的目标检测是智能汽车环境感知系统重要组成部分。但是汽车在行驶过程中,传感器搜集到的道路图像会受到了不同环境（比如不同天气、光照条件）的干扰,同时还会受到待测目标被遮挡的影响,这些问题影响着算法准确性和鲁棒性。因此,本文围绕着这些问题,对复杂环境下基于生成对抗网络的视觉增强和视觉感知进行研究。主要研究内容如下:（1）考虑到基于视觉的目标识别对鲁棒性的要求,对不同天气、光照情况下的驾驶情况进行分析,提出了混合图像域之间存在共享隐藏空间域的假设,建立了不同图像域之间的映射关系,利用多编码器权值共享方法改进了生成对抗网络模型;结果表明,与目前现存的方法相比,模型在除雾、除雨、光照增强等任务中具备良好的效果。（2）为解决目标之间遮挡导致目标检测算法精度下降的问题,从建议区域的角度,引入了引斥力模型对Faster-RCNN进行优化。同时,对生成框的后处理使用改进的非极大抑制算法。（3）针对目标遮挡的困难样本不足导致漏检、误检情况,本文从特征级角度入手,结合生成对抗网络建立一种特征遮挡掩膜生成的模型,该模型能够从特征上增加困难样本,模拟真实环境下的目标遮挡,增加算法对鲁棒性强的特征的提取能力,从而强化目标检测算法检测性能。结果表明结合生成特征遮挡掩膜的方法针对遮挡目标的识别具备良好效果。（4）根据图像增强模型和目标检测模型,建立了复杂环境下视觉感知系统,在不同环境数据集上进行验证,结果表明,该系统具备较好的抗干扰能力。