随着现代机器学习与深度学习算法的发展,现有环境感知技术对理想环境中的人员、车辆等目标识别的准确率不断提升,但是,对实际很多特殊场景（例如雨天、夜晚等光线昏暗的低辨识度环境）的检测准确率却不尽如人意。因此,突破对低辨识度目标检测的精度水平,是环境感知技术实际应用的关键。低辨识度目标的特点包括:目标与周围环境的对比度较低或者目标没有明显且完整的轮廓特征或者目标像素占整张图像像素比例低于30%等。本文针对光线昏暗的城市路灯场景下的人员、车辆目标进行识别算法研究,利用多特征融合的思想,在常规的单模态彩色相机检测目标的基础上,通过增加目标特征维度来提高检测与识别的准确率。主要工作如下:（1）研究融合卷积特征的低辨识度目标机器视觉识别算法。针对光线昏暗的低辨识度环境中的目标特征不清晰、不明显、不完整的问题,提出了一种不同于单一阈值传统机器视觉的目标检测算法。该算法分别从检测与识别两个方面进行优化:在检测阶段提出基于YCb Cr颜色空间的mean-shift聚类算法,增强目标的感兴趣区域;在目标识别阶段,融合HOG算法与4层CNN神经网络共同提取的目标特征,增加后续SVM对目标分类的准确性。（2）研究基于彩色与红外特征融合的双模态YOLO v3识别低辨识度目标算法。上述机器视觉算法识别远目标准确性较低,而低辨识度目标识别的准确率也不能仅仅通过改进YOLO v3算法得以提高。针对上述问题,本文提出了一种双模态YOLO v3算法。该算法是将彩色图像与热红外图像同时输入到优化了的网络中进行特征的提取,然后在网络的某一层将两种模态的特征相融合。本文还设计、对比了四种融合方案以获得具有最优参数的特征融合模型。为了进一步优化算法分类层的参数,本文通过引入Focal-loss与GIOU损失函数,降低算法检测的误检率。（3）研究双模态YOLO v3算法的分步式训练方法与参数设定。由于现代开源数据集中针对低辨识度的数据集图像对与红外图像的数据集数量很少,因此,本文自建了双模态数据集的同步采集系统。采集不同场景下多类型的低辨识度目标数据集,并且对数据集进行配准、增强、标注等处理,用于后续双模态神经网络的训练。本文还提出了一种分步式网络训练方法,相比传统的训练方法,该方法能够优化网络参数至最佳。试验结果表明,融合了卷积特征的低辨识度目标识别算法的识别精度明显提高,但是,远距离目标与受到周围环境中光晕遮挡的目标无法被识别出;利用双模态YOLO v3神经网络算法同时检测红外与彩色传感器采集到的低辨识度目标,能够很好地识别出被遮挡的远距离目标,准确性明显提升;利用分步式训练方法进行网络训练,网络算法参数被调节至了最优。