现实交通场景下的目标检测是构建智能交通系统的关键,也是一个具有重要意义的研究课题。然而,复杂的现实交通环境,如拥堵路段下的车辆被遮挡、车辆遮挡导致像素重叠、弱光照环境、以及交通灯等小目标,这些都会导致目标检测的不准确性。而这些不准确的目标检测结果会直接影响智能交通系统获得的输入信息,进而影响系统对交通的控制,严重的会导致城市交通瘫痪。如何快速而准确地进行现实交通场景下的目标检测是亟需解决的重点和难点问题。因此,本文提出了不同的卷积神经网络来解决上述问题。针对拥堵路段存在的车辆密集、车辆间彼此遮挡以及车辆被其它障碍物遮挡时无法准确检测的问题,本文提出了基于多目标角点池化的卷积神经网络。该网络的基石网络选择了可以同时提取图像中车辆的全局和局部信息的沙漏网络。同时利用自行设计的多目标角点池化层替代常见的最大池化层来解决现实交通场景内车流量较大时的车辆检测问题,并利用角点匹配与补全策略对被遮挡车辆进行检测。因此该网络可以准确地检测出被遮挡的车辆。实验结果显示,该网络在MS COCO数据集上的平均精度AP达到了 43.5%,在交通流视频上的准确率P达到了 93.6%,这些性能指标均优于现有的多个目标检测算法。针对弱光照以及车辆重叠时检测准确率低的问题,本文提出了基于区域引导的神经网络用于车辆全景分割。选用沙漏网络来生成输入图像的特征图,并将这些特征分别送入前背景分割分支。前景分支利用多目标角点池化和掩膜排序模块生成前景目标的类别和掩膜,背景分割分支负责语义分割。同时通过注意力引导模块将前景分支生成的感兴趣区域添加到背景分支,为语义分割模块提供像素级的信息。最后使用前背景排序模块整合这两个分支的结果,生成最终的全景分割结果。实验结果表明,该网络在弱光以及车辆重叠的情况下依然能够准确检测车辆,同时该网络在CityScapes数据集上的分割质量PQ达到了 59.1%。针对卷积神经网络对现实交通场景中存在的信号灯、远处的车辆等小目标检测能力较弱这一问题,本文利用特征引导模块来增强网络对小目标的检测能力。通过提取不同卷积层的特征信息并进行处理,增加送入预测模块的有效特征,从而增强神经网络对小目标的关注度。实验结果显示在MS COCO数据集上的小目标检测平均精度APs达到了28.6%,在博世小型交通灯数据集上的平均检测精度mAP达到了 0.76,均优于现有算法。