传统的基于机器学习的物体检测算法过于依赖先验知识,需要手工设计,只能提取目标的表面特征。相比之下,深度学习算法在各方面都更有利,这使得深度学习算法在车辆目标检测的应用中得到了突破。其检测方法效率和精度有明显提升,但仍达不到应用需求,在实际应用场景下存在大大小小的不适应,而一个高精准度、高效率的算法对于目标检测发展十分重要。针对在传统CNN的算法中,卷积特征在目标检测任务中存在车辆的多尺度问题,展开研究,在实际交通图像和视频中的车辆有很大尺度差异的现象是常见的,影响其检测效率的关键问题有两点。一方面,现有的ROI池破坏了小尺度车辆目标的结构;另一方面,以单个网络的表示能力无法支撑对于尺度变化大,类内距离大的车辆进行检测。因此,本文针对车辆输入多尺度的问题进行了研究,提出了基于内容深度多尺度卷积神经网络的车辆检测方法。用于更加快速准确的检测尺度变化较大的车辆。本文的主要贡献如下:1.引入了一种新型反卷积特征金字塔网络,CNN的上下文信息中通常包含多层次的特征。因其低层特征图具有大的分辨率,而高层特征图中保留了丰富的语义信息,反卷积特征金字塔网络能够很好的增强高层的上下文内容信息。2.使用基于内容感知的ROI池来为每个候选区域提取特征,以保持小尺度目标的原始结构。基于内容感知的ROI池将反卷积与双线性核一起应用,以扩大小候选区域的特征区域,从而避免用重复的值表示小目标,将其应用于CNN的多层,进而将所得到的池要素串联在一起,融合低层详细信息和高层语义信息以检测目标,能够维护上下文信息,从而帮助维持原始结构特征。3.引入双分支决策网络。将提出的车辆检测方法根据候选区域的大小拆分为两支,能够有效减轻目标类内变化大的问题。从而可以提高对大、小目标的检测精度。然后,将这些从多个分支预测得到的结果都融合到最终检测结果中。它可以在不增加额外计算成本的情况下,准确地对尺度变化较大的车辆进行分类。4.在公开数据集KITTI以及DETRAC中进行了车辆实验。结果表明,所提方法准确率有了一定的提高,误检率和时间复杂度都有所降低。