近年来人工智能技术的发展使得辅助驾驶和自动驾驶系统成为研究热点。在此应用中,准确且快速地实现道路场景下的多目标检测是辅助驾驶及自动驾驶技术的前提。基于深度学习的目标检测算法由此受到广泛关注且取得了一定成果,然而在复杂的道路环境中,待检测目标往往存在像素面积小、遮挡重叠情况严重等问题,会导致目标的误检、漏检,从而影响目标检测精度,为安全驾驶带来隐患。为解决此问题,本文对道路场景下的多目标检测方法进行了研究,主要研究内容如下:（1）为保证道路场景下目标检测的速度和精度,对当前算法中的单阶段目标检测算法做了分析与对比实验,通过对实验数据的分析,选择YOLOv5s算法作为本文后续研究的基准模型。YOLOv5s算法与其他对比算法相比,在检测速度上有明显优势。此外,YOLOv5s模型参数量小,对硬件部署设备要求低,还能保持较高的检测精度。（2）针对道路场景目标检测中小目标检测精度低的问题,在特征融合方法、数据增强、先验框设计三个方面对YOLOv5s算法进行改进。首先对YOLOv5s的主干网络做了扩展,并提出基于3D卷积的多尺度特征融合方法,以此代替YOLOv5s中的Neck结构可以融合全局范围的特征信息,从而加强小目标的位置和类别信息;然后提出针对小目标的数据增强方法,以复制-粘贴的方式增加小目标在图像中的实例目标占比;最后统计数据集中真实边框信息,使用聚类获得最合适的先验框尺寸。通过对比实验和直观的检测效果展示验证了多种改进方法的有效性,GIF-YOLOv5s算法在BDD100K数据集中m AP为53.53%。（3）针对目标检测中的遮挡问题,对YOLOv5s的后处理方法和损失函数做进一步改进。提出基于位置的先验框匹配方法,在选择真实框对应的先验框时考虑位置信息并根据距离赋予权重;使用Repulsion Loss代替原有损失函数;最后结合CIo U-NMS和Soft-NMS的优点提出了Soft-CIo U-NMS,替代原有非极大值抑制方法。前两种改进均减小了目标预测框与真实框的距离,增大与其他检测框的距离,第三项改进缓解了决策阶段的遮挡漏检。实验证明,本文所做改进均可有效提升遮挡目标的检测精度。（4）针对模型部署问题,研究了模型加速对模型的影响。本文使用NVIDIA公司的高性能深度学习推理优化器TensorRT对提出的道路场景目标检测方法进行加速推理,通过网络层融合与精度量化等手段对Py Torch模型进行加速,加速后的模型在保持网络输出基本不变的条件下有效降低了推理时间,提高了推理速度。