Con el desarrollo continuo de la conducción autónoma, la detección de señales de tráfico, como una sub tarea esencial, ha presenciado actualizaciones constantes en las tecnologías correspondientes. Actualmente, la detección de señales de tráfico se enfrenta principalmente a desafíos como el tamaño pequeño de los objetivos de detección y la complejidad de los escenarios de detección. Este documento se centra en detectar señales de tráfico pequeñas en escenarios de poca luz. Para abordar estos problemas, este documento propone un método de detección de señales de tráfico que integra mejora de imágenes de poca luz con detección de objetivos pequeños, es decir, LLE-STD. Este método consta de dos etapas: mejora de imágenes de poca luz y detección de objetivos pequeños. Basándonos en modelos de referencia clásicos, adaptamos las estructuras del modelo considerando los requisitos de modelos de detección de señales de tráfico ligeros y su adaptabilidad a diferentes calidades de imagen. Las dos etapas se acoplan para formar un procedimiento de procesamiento de extremo a extremo. Durante los experimentos, validamos el rendimiento de la mejora de imágenes de poca luz, la detección de objetivos pequeños y la adaptabilidad a imágenes de diferentes calidades utilizando los conjuntos de datos públicos GTSDB, TT-100K y GLARE. En comparación con los modelos clásicos, LLE-STD demuestra ventajas significativas. Por ejemplo, los resultados de mAP probados en el conjunto de datos GLARE muestran que LLE-STD supera a RetinaNet en aproximadamente un 15%. Esta investigación puede facilitar la aplicación práctica de métodos inteligentes basados en aprendizaje profundo en el campo de la conducción autónoma.