La detección de objetos impulsada por aprendizaje profundo se utiliza ampliamente en diversos sectores, produciendo resultados sustanciales. Sin embargo, las condiciones climáticas adversas como la lluvia, la nieve y la neblina interfieren con las imágenes, lo que conlleva a una disminución en la calidad y dificulta enormemente que los métodos existentes detecten imágenes capturadas en tales entornos. En respuesta al problema, nuestra investigación propuso un enfoque de detección basado en el modelo YOLOv8, al que llamamos YOLOv8-STE. Específicamente, introdujimos un nuevo módulo de detección, ST, basado en YOLOv8, que integra información global paso a paso a través del movimiento de ventanas mientras captura detalles locales. Esto es particularmente importante en condiciones climáticas adversas y mejora efectivamente la precisión de detección. Además, se incorporó un mecanismo EMA en la red de cuello, que redujo las cargas computacionales a través de operaciones simplificadas y enriqueció las características originales, haciéndolas más jerárquicas, mejorando así la estabilidad y generalización de la detección. Finalmente, se utilizó soft-NMS para reemplazar el método tradicional de supresión de no máximo. Los resultados experimentales indican que nuestro YOLOv8-STE propuesto demuestra un excelente rendimiento bajo condiciones climáticas adversas. En comparación con el modelo base YOLOv8, muestra resultados superiores en el conjunto de datos RTTS, proporcionando un método más eficiente para la detección de objetos en condiciones climáticas adversas.