物体目标检测任务一直都是计算机视觉领域环境感知热点研究问题之一,其目的是识别检测出图像或视频中感兴趣目标并确认其所属类别以及具体位置信息。针对道路场景中行人、车辆远近距离的大小目标尤其是小目标特征信息少从而难以检测问题,以及目标检测模型准确率低、实时性慢等问题,提出基于卷积神经网络的道路物体目标检测模型,实时高效地检测车辆周围环境保障汽车安全行驶。主要包括以下工作:针对检测模型速度较慢、不能满足实时性要求的问题,提出一种轻量级网络的道路目标检测算法。基于深度可分离卷积设计得到用于本文模型的Mobile Net特征提取网络,结合特征融合结构和多尺度预测思想,设计得到改进算法Tiny Net,以达到提高检测速度的目的。最后使用已处理的数据集对改进算法和Mobile Netv1算法进行训练以及测试实验,结果表明改进算法具有更优性能。针对SSD（Single Shot Multi Box Detector）网络小目标检测效果不佳问题,提出基于改进SSD的道路行人、车辆小目标检测算法。结合现有的各种特征金字塔融合网络,设计得到更加复杂的双向特征金字塔融合网络SFPN结构,并在主干特征网络之后加入SFPN结构,融合不同层感受野特征信息,提高小目标语义特征。引入批量归一化和Mish激活函数为网络添加非线性因素,避免网络退化问题。使用BDD100K数据集对改进算法进行训练、测试评估实验,结果表明改进算法性能显著提高,小目标检测效果表现良好。为进一步增强检测性能,提出基于残差网络的道路多尺度目标检测模型。为避免原残差网络出现输入到输出直线连接结构,对残差结构改进得到本文改进残差结构,进而使用改进残差结构堆积得到深层残差卷积神经网络,搭载在模型的主干特征提取网络中,提升整体性能。同时在检测层结构部分将全连接层替换为全局平均池化层,减少参数量,提高检测速度。使用BDD100K数据集对改进算法进行模块消融实验,对比各模块作用程度,结果显示深层残差网络和SFPN网络相结合使用检测精度达到最佳。最后使用BDD和VOC两种数据集对改进算法和几种主流算法测试评估实验,对比各算法性能优劣,结果显示本文算法在两种数据集上多尺度目标检测性能远胜于其他几种算法,性能显著提升,具有普遍优越性。