针对目前主流的目标检测算法在复杂的交通环境下对行人和车辆检测精度不高的问题，提出一种基于YOLOv8模型改进的目标检测算法.首先，在主干网络前增加一种可学习增强网络，该网络是通过拉普拉斯分解残差学习方式来构建的，不仅可以充分提取到目标的特征信息，还能增强算法的准确性和鲁棒性，从而减少不同强度的光照对图像目标检测的干扰；其次，在中等目标检测层之前添加提出的KSA注意力机制，检测时可以将注意力集中在图像中重要信息的区域，从而更准确地定位并识别出中等目标，同时也可以减少复杂的背景噪声对检测的干扰；最后，提出了基于像素点的Transformer结构，即Pixel Transformer结构.将该结构添加到主干网络中，从而进一步增强算法对图像全局特征的提取能力，使其能学习到更丰富、更全面的目标特征.使用KITTI数据集来进行消融实验以及各算法的对比实验，实验结果表明，设计的算法在相关指标上取得了一定程度的提升，其中mAP@0.5值提升了3.2个百分点，达到了96.7%，这充分体现了该算法的优越性.