La detección precisa y rápida de las señales de tráfico es crucial para los sistemas de transporte inteligente. Apuntando a los problemas que tienen las señales de tráfico, incluyendo más objetivos pequeños en escenas de carreteras, así como la detección incorrecta, omisión y baja precisión de reconocimiento bajo la influencia de la niebla, proponemos un modelo para detectar señales de tráfico en escenas de carreteras con niebla, YOLO-TSF. En primer lugar, diseñamos el módulo de atención CCAM y lo combinamos con la idea de aprendizaje residual local-global, proponiendo así el LGFFM para mejorar las capacidades de reconocimiento del modelo en condiciones de niebla. En segundo lugar, diseñamos MASFFHead al introducir la idea de ASFF para resolver el problema de pérdida de características de fusión entre escalas y llevar a cabo una extracción secundaria de objetivos pequeños. Además, diseñamos el NWD-CIoU al combinar NWD y CIoU para resolver el problema de la capacidad de aprendizaje inadecuada de IoU para características de objetivos diminutos. Finalmente, para abordar la escasez de conjuntos de datos de señales de tráfico con niebla, construimos un nuevo conjunto de datos de señales de tráfico con niebla, Foggy-TT100k. Los resultados experimentales muestran que el @0.5, @0.5:0.95, Precisión y de YOLO-TSF se mejoran en un 8,8%, 7,8%, 7,1% y 8,0%, respectivamente, en comparación con YOLOv8s, lo que demuestra su efectividad en la detección de pequeñas señales de tráfico en escenas con niebla con visibilidad entre 50 y 200 m.