随着科技的快速发展,我国的汽车保有量不断增加,车辆在给生活带来极大便利的同时,也对交通管理提出了严峻的考验。人工智能技术的崛起使得智能化交通系统和无人驾驶汽车的概念迅速进入了社会的视野,而这些应用需要对交通图像进行场景理解。相关算法要在能够部署到有限计算资源设备的同时,需具备高精度和高效率的处理性能。针对这些问题,本文展开了面向交通图像场景理解的深度学习算法研究,本文主要研究和创新点具体如下:(1)卷积神经网络拥有很强的学习能力,非常适用于智能化交通系统和无人驾驶汽车。因此本文分析了卷积神经网络的基本构造,阐述了目前经典的神经网络模型,同时对基于卷积神经网络的交通图像场景理解中目标检测算法和语义分割算法分别进行了研究,总结出目前难以解决的问题和难点,这些场景理解算法很难在运行交通图像场景理解算法平台同时满足精度高和运行速度达到实时性的要求。最后,提出了一些优化和改进上述算法的潜在途径。(2)本文对YOLO系列算法的原理进行了阐述,针对YOLOv3-tiny算法中小目标检测不敏感问题进行了优化,提出改进的TF-YOLO算法,提高了算法的精度,同时改善了小目标检测精度差的问题;具体使用三种措施,分别是对数据集中先验框的聚类,多尺度特征融合和多尺度预测;对数据集进行聚类可以让训练初始阶段有个好的初始值,从而使得训练能更好开展,对提高网络的性能有着促进作用;多尺度特征融合是借鉴Dense Net网络的思想,让不同层的特征能够得到更好的融合,得到令人满意的效果;多尺度预测借鉴FPN网络的思想,用不同尺度大小的预测框来对不同尺寸大小的物体进行针对性的检测,从而提高了算法对目标的检测性能;最后通过在KITTI数据上的测试,验证了改进算法的性能。(3)对交通图像进行场景理解的算法一般运行在资源有限的设备当中,虽然基于Darknet53搭建的YOLOv3算法有着非常高的检测精度,但是很难在嵌入式设备中达到实时性,针对这一问题,本文基于交通图像场景理解的网络模型压缩算法展开了研究,应用模型剪枝技术,将YOLOv3算法网络模型进行压缩,在保证精度满足应用场景的情况下,也使得算法的运行时间减少。