针对低光照条件下车辆与背景难以区分以及光源干扰导致车辆检测难度较大的问题，本文提出了一种改进的轻量级车辆检测模型——全局增强-局部注意力YOLO（GALA-YOLO）。现有的深度学习目标检测模型大多针对白天场景设计，忽视了夜间环境中的特殊挑战，而夜间低光照场景下的车辆检测已成为高阶辅助驾驶系统研究中的难点和重要组成部分。该模型基于轻量级的YOLOv8s进行优化，引入全局增强（GA）和局部注意力（LA）模块，分别嵌入不同层次以提升特征表达能力。GA模块使用大卷积核捕捉图像的全局信息（如物体空间分布和光照强度），并针对夜间环境进行自适应调整；LA模块是一个多尺度卷积注意力模块，采用不同大小的卷积核捕捉多尺度局部信息，综合考虑复杂夜间环境中不同层次的细节。进一步地，本文对CIoU损失函数进行了改进，通过采用MPDIoU，以更灵活地捕捉边界框形状特征，有效提升了模型的鲁棒性和收敛速度。实验结果表明，GALA-YOLO在夜间场景数据集上的mAP达到了59.2%，较现有最优目标检测模型提升了0.8%；在KITTI数据集上，车辆检测的mAP达到了76.7%，相比当前最优检测模型提升了0.5%。研究结果验证了本文所提方法在夜间环境中的有效性和正确性，为高级辅助驾驶系统的智能检测与安全预警研究提供了一种参考。