Los métodos actuales de aprendizaje profundo para la detección de objetos suelen entrenarse en conjuntos de datos de alta calidad, lo que puede resultar en un rendimiento inferior en condiciones climáticas adversas. En el documento, se propone un algoritmo conjunto de aprendizaje profundo semántico para abordar la detección de objetos en condiciones de niebla en carreteras, el cual se construye mediante la incorporación de tres módulos de atención y un módulo de decodificación multi-escala de 4 capas en el módulo de extracción de características de la red principal. El algoritmo se diferencia de otros métodos de detección de objetos en que está diseñado para resolver tareas conjuntas de bajo y alto nivel, incluyendo desempañar y detección de objetos a través de un entrenamiento de extremo a extremo. Además, la ubicación de la niebla es aprendida por estos módulos de atención para ayudar en la recuperación de la imagen, la calidad de la imagen se recupera mediante el módulo de decodificación para desempañar, y luego las representaciones de características de la imagen original y la imagen recuperada se fusionan y se introducen en el módulo de (Feature Pyramid Network) para lograr un aprendizaje semántico conjunto. Las características semánticas conjuntas se aprovechan para mejorar la capacidad de los módulos de red posteriores, y por lo tanto hacer que el algoritmo propuesto funcione mejor para la tarea de detección de objetos en condiciones de niebla en el mundo real. Además, este método tiene el mismo tiempo de prueba debido al intercambio de pesos en el módulo de extracción de características. Experimentos extensos confirman que la precisión promedio de nuestro algoritmo supera a los algoritmos típicos de detección de objetos y a los algoritmos de tareas conjuntas de bajo y alto nivel más avanzados para la detección de siete tipos de objetos en el tráfico en carreteras bajo condiciones climáticas normales o de niebla.