伴随着汽车产业的蒸蒸日上,城市交通问题日益凸显,逐渐影响着经济的发展和社会的进步。随着信息技术时代的到来,人们渴望利用智能交通系统解决交通问题,而交通视频检测正是其最基础和重要的组成部分。传统的目标检测算法依靠人工经验设计特征且抗干扰性差,无法满足实际场景需求。近几年在大数据集快速发展的背景下,深度学习给模式识别任务提供了新的思路,利用深度卷积神经网络自动学习目标特征以进行视频中交通目标的实时检测,为智能交通系统解决交通问题提供数据和技术支持。考虑到现实中基于交通视频数据的每一帧图像里包含多个类别图像的数据集相对较少,因此根据唐山的交通流现状创建了交通目标检测数据集,重点研究了数据采集、数据增强和数据标定,然后将数据转换成Tensor Flow深度学习框架可接受的预训练格式。对两阶段目标检测算法和一阶段目标检测算法的原理和算法性能进行分析,以检测准确率和检测速度为衡量标准,选择能同时兼顾准确率和检测速度的SSD算法。通过对SSD算法的超参数进行微调,提高交通目标检测的准确率,使训练好的SSD模型在晴天和雨天等情况下均能取得不错的检测效果。在有效视野中,检测算法在目标检测和目标分类上的准确率最高可达79.66%,并具有一定鲁棒性。在检测速度上,基于VGG-16网络的SSD检测器在NVIDIA GTX980M GPU下对960×540分辨率图像的检测时间是117.3ms,满足了实时性检测的需求。实验结果表明,基于自制的交通目标检测数据集设计并训练的SSD检测网络具有一定的实用价值。图39幅;表4个;参55篇。