El reconocimiento de señales de tráfico juega un papel crucial en mejorar la seguridad y eficiencia de los sistemas de tráfico. Sin embargo, en condiciones de nieve, las señales de tráfico suelen estar ocultas por partículas, lo que conduce a una disminución severa en la precisión de detección. Para abordar este desafío, proponemos un modelo mejorado basado en YOLOv8 para el reconocimiento de señales de tráfico. Inicialmente, introducimos un módulo de Convolución de Grupo Multiescala (MSGC) para reemplazar el módulo C2f en la estructura de YOLOv8. Los datos indican que MSGC mejora la precisión de detección manteniendo un modelo ligero. Posteriormente, para mejorar la capacidad de reconocimiento de objetivos pequeños, introducimos una capa de detección de objetivos pequeños mejorada, que aumenta la precisión de detección de objetivos pequeños mientras reduce parámetros. Además, reemplazamos la pérdida de BCE original con la pérdida EfficientSlide mejorada para mejorar el problema de desequilibrio de muestras. Finalmente, integramos Atención Deformable en el modelo para mejorar la eficiencia de detección y el rendimiento de objetivos complejos. El modelo resultante, llamado MSGC-YOLOv8, se evalúa en un conjunto de datos mejorado de señales de tráfico cubiertas de nieve. Los resultados experimentales muestran que el modelo MSGC-YOLOv8 se utiliza para el reconocimiento de señales de tráfico en carreteras nevadas. En comparación con el modelo YOLOv8n, mAP@0.5:0.95 aumenta en un 17,7% y 18,1%, respectivamente, mejorando significativamente la precisión de detección. En comparación con el modelo YOLOv8s, mientras que los parámetros se reducen en un 59,6%, mAP@0.5 solo pierde un 1,5%. Teniendo en cuenta todos los aspectos de los datos, nuestro modelo propuesto muestra una alta eficiencia y precisión de detección en condiciones de nieve.