作为无人驾驶汽车实现过程中的基础算法,车辆检测算法已成为了研究热点。然而其面临的一个主要难题是:成像设备自身限制和道路环境影响往往导致车辆检测效果不尽完美。因此,如何获得高精度和高效率的车辆检测算法,是本文的研究目标。本文提出改进的YOLOv3车辆检测算法,主要创新工作如下:(1)提出了一种以密集网为主干网的YOLOv3车辆检测方法。对比以残差网络为主干网的传统YOLOv3检测方法,密集网使用并联以及密集连接的方式可以更有效地保留图像的特征信息,从而提高检测精度;(2)提出了一种新的结合焦点损失和广义交并比的损失函数。以焦点损失函数作为置信度损失函数,可以提升其对困难样本的检测效果;使用广义交并比损失作为位置信息损失函数,增加模型对边框位置信息以及预测框与实际标注边框重叠方式的敏感度,达到提高检测精度的目的,同时又能够提高算法收敛速度。在BDD100K数据集上进行了广泛的实验,实验结果表明,改进后的基于密集网的YOLOv3算法与传统YOLOv3算法以及其它主流的检测算法相比较,可以取得更好的检测效果。