Actualmente, las condiciones de la superficie de la carretera delante de los vehículos autónomos no son detectadas correctamente por los sensores existentes en esos vehículos autónomos. Sin embargo, la seguridad en la conducción debe ser garantizada para las condiciones de la carretera inducidas por el clima tanto de día como de noche. Se realiza una investigación sobre el aprendizaje profundo para reconocer las condiciones de la superficie de la carretera durante el día utilizando los datos recopilados de una cámara integrada en la parte delantera de los vehículos. Hasta la fecha, los modelos de aprendizaje profundo solo han demostrado ser exitosos durante el día, pero no han sido evaluados para condiciones nocturnas. El objetivo de este trabajo es proponer modelos de aprendizaje profundo para detectar en línea las condiciones de la superficie de la carretera causadas por el clima delante de los vehículos autónomos durante la noche con una alta precisión. Para este estudio, se aplican diferentes modelos de aprendizaje profundo, a saber, CNN tradicional, SqueezeNet, VGG, ResNet y DenseNet, con comparación de rendimiento. Considerando la limitación actual de la detección nocturna existente, se investigan las características de reflexión de las diferentes superficies de la carretera en este documento. De acuerdo con las características, se recopilan bases de datos nocturnas con y sin iluminación ambiental. Estas bases de datos se recopilan de varios videos públicos para hacer que los modelos seleccionados sean más aplicables a más escenas. Además, los modelos seleccionados se entrenan en base a una base de datos recopilada. Finalmente, en la validación, la precisión de estos modelos para clasificar las condiciones de la superficie de la carretera como seca, mojada y nevada durante la noche puede llegar hasta el 94%.