Este documento presenta un método adaptativo para detectar vehículos frontales bajo condiciones climáticas complejas. En el campo de la detección de vehículos a partir de imágenes extraídas por cámaras instaladas en vehículos, los fondos con condiciones climáticas complicadas, como días lluviosos y nevados, aumentan la dificultad de la detección del objetivo. Con el fin de mejorar la precisión y robustez de la detección de vehículos frente a los autos sin conductor, se propone en este documento un método de detección de vehículos en cascada que combina la fusión de múltiples características y redes neuronales convolucionales (CNN). En primer lugar, se extraen patrones binarios locales, características tipo Haar y histogramas de gradiente de orientación del vehículo frontal, luego se realiza una reducción de dimensionalidad mediante análisis de componentes principales y un procesamiento de fusión en serie en la imagen de entrada. Además, se realiza una selección preliminar como entrada de un clasificador de máquina de vectores de soporte basado en las características de fusión adquiridas, y se emplea el modelo de CNN para validar la detección en cascada de los resultados filtrados. Finalmente, se utiliza un conjunto de datos integrado extraído de BDD, Udacity y otros conjuntos de datos para probar el método propuesto. La tasa de recuperación es del 98.69%, que es mejor que el algoritmo de características tradicionales, y la tasa de recuperación del 97.32% en un entorno de conducción complejo indica que el algoritmo posee una buena robustez.