在计算机视觉领域的研究中,目标检测是一个十分重要的方向,其目的是使用神经网络对图像提取出特征信息,从而从整张图像内识别出需要辨别的目标,指出目标的类别以及位置。不同道路场景下的车辆目标检测问题是一个难点,由于不同道路场景下的道路方向、形状以及车辆的角度多变、尺度不一等。因此给不同场景下的车辆识别带来了困难。直接用目前主流的目标检测算法往往不能够得到一个令人满意的结果。针对多道路场景多尺度的车辆目标检测问题,提出了一个改进的YOLOv5算法模型以及一个优化后的注意力机制,从而优化多场景多尺度的车辆目标检测。本文的主要工作、相关的贡献,总结如下:（1）针对多道路场景多尺度车辆目标的特点,基于YOLOv5网络模型设计了一个改进的YOLOv5模型,即GFM-YOLOv5（Ghost Fuse Muti-Scale YOLOv5）。利用车辆目标尺度不一的特征,本改进结构增强了多尺度特征信息的提取。在多尺度特征信息融合时,通过结合AFF（Attentional Feature Fusion）多尺度特征融合模块,优化不同尺度的特征信息提取。同时将骨干网络部分替换成Ghost卷积模块,从而减少一定的参数量。最后构建了一个多场景多尺度的车辆目标检测数据集（Multi-scene Multi-scale Vehicle Datasets,MMVD）。并且优化的模型在本MMVD数据集中的车辆目标有提升效果。（2）基于YOLOv5模型设计在模型中添加注意力机制的方式,并通过实验比较常见注意力机制在MMVD数据集上的优劣性。根据车辆目标中所在道路场景复杂多变的特点,基于混洗注意力模块提出了一种针对多道路场景车辆目标检测改进的自校准混洗注意力（Self-calibration Shuffle Attention,Sc SA）。其改进了混洗注意力模块组内单元的注意力特征提取,并在其分组单元拼接时利用自校准卷积的方式强化通道与空间特征信息之间的联系与依赖关系,从而合并更丰富的特征信息来提高目标检测的效果。在MMVD数据集中的实验结果表明,增加该模块对车辆目标检测有提升效果。（3）结合本文提出的多场景多尺度车辆目标检测算法优化方法,设计了一个可以实时视频检测的多道路场景路况检测系统,可以实现对不同道路场景下的不同事件进行实时检测与报警。