作为计算机视觉中最基本的问题之一,目标检测因其在现实世界中的广泛应用地位而一直颇受关注,从其长达20多年的不断追求发展进步的历程来看,它代表了计算机视觉发展的历史缩影,一直以来仍是一项充满挑战的研究方向。但在面临雾霾、雨天天气环境时,会对获得的图像产生干扰和降质,使得图像成像模糊、细节丢失等。并且雾霾、雨天天气对人类的视觉也存在巨大的挑战,雾霾造成的能见度低,雨滴造成的遮挡等等干扰着驾驶者捕捉到的有效视觉范围,在驾车途中的任何判断都可能会被影响,一定程度上可能会导致交通意外。因此对获得的图像进行图像复原获得清晰图像有利于提高目标检测算法的准确率。本文在YOLOv3算法的基础上,通过基于改进的条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)图像复原算法以及对目标检测损失函数的优化来提高YOLOv3算法在雾霾、雨天天气下的检测精度。具体研究工作如下:(1)在提升图像复原算法的稳定性方面,本文提出基于改进的CGAN图像复原算法,在CGAN的训练过程中提出结合梯度惩罚和谱归一化来实现Lipschitz约束条件,该约束条件限制了判别器网络的剧烈波动,使CGAN在训练过程中更加稳定。(2)在提升图像复原算法的有效性方面,本文通过引入平滑膨胀卷积,门控融合子网络来优化算法的网络结构,对于生成器网络的损失函数提出采用条件对抗损失、内容损失、多尺度图像梯度损失、感知损失相结合的方式来训练CGAN,并在处理含雾霾图像时引入了引导滤波后置处理模块,提升了原始算法在雾雨天气环境下的图像复原效果。(3)在改善目标检测算法的精确度和识别率方面,采用本文提出的基于改进的CGAN图像复原算法作为目标检测的图像预处理,在此基础上采用广义交并比(Generalized Intersection over Union,GIo U)损失函数优化YOLOv3算法实现目标检测。本文在合成雾霾及雨滴数据集上进行复原实验,证明相较于目前其它的图像复原算法,本文算法在图像复原效果上更加明显,图像细节保留更加完整。在自建的雾霾天气和雨天气目标检测数据集上进行目标检测实验,证明在检测精度上较未采用复原算法的原始YOLOv3及目前存在的其它目标检测算法也有一定的提高,具有广泛应用价值。