【摘要】针对雾天道路目标检测精度下降问题，本研究提出融合金字塔池化注意力机制的轻量化抗雾模型（含创新型 ＰＡＬＣ 模块）。 该模型通过多尺度金字塔池化整合全局与局部特征，结合动态注意力机制抑制雾气干扰，提升多距离目标感知精度。 实验表明：在保持低计算成本前提下，ＰＡＬＣ 的 ｍＡＰ＠ ５０ 与 ｍＡＰ＠ ５０⁃９５ 分别达 ０. ８８３ 和 ０. ７０６，较 ＹＯＬＯｖ８ｎ 提升 ０.９１％和 ０.５７％；对雾天场景中车辆部件（车牌）及交通设施（信号灯）等关键目标的检测精度超越 ＹＯＬＯｖ６。 创新性体现在：①金字塔池化增强多尺度目标适应性。 ②动态注意力优化特征权重。 ③低秩卷积模块扩大感受野以强化模糊特征捕获。 相较传统去雾算法，ＰＡＬＣ 规避了像素级优化的计算负担，参数量仅较 ＹＯＬＯｖ８ｎ 增加 ２.５％，满足自动驾驶等实时场景需求。