Los paisajes nocturnos son un área clave de monitoreo y seguridad, ya que la información en las imágenes captadas por la cámara no es completa. La ampliación de datos brinda el mayor valor a estos conjuntos de datos limitados. Dado el manejo nocturno y los eventos peligrosos, es importante lograr una mejor detección de personas por la noche. Este documento estudia el impacto de diferentes métodos de ampliación de datos en la detección de objetivos. Para los datos de imagen recopilados por la noche en condiciones limitadas, se utilizan tres tipos diferentes de métodos de mejora para verificar si pueden promover la detección de peatones. Este documento explora principalmente métodos de ampliación de datos supervisados y no supervisados con ciertas mejoras, incluida la ampliación de múltiples muestras, la ampliación de Redes Generativas Antagónicas (GAN) no supervisadas y la ampliación de una sola muestra. Se concluye que el conjunto de datos obtenido por el método de ampliación de múltiples muestras heterogéneas puede optimizar el modelo de detección de objetivos, lo que puede permitir que la precisión promedio (mAP) de una imagen nocturna alcance 0.76, y la red GAN Convolucional Residual mejorada, el modelo de entrenamiento no supervisado, puede generar nuevas muestras con el mismo estilo, expandiendo así en gran medida el conjunto de datos, de modo que la precisión promedio alcance 0.854, y la mejora de una sola muestra de la desiluminación puede mejorar enormemente la claridad de la imagen, ayudando a mejorar el valor de precisión en 0.116.