随着城市交通问题日益突出,智能交通系统开始逐渐应用到人们的生活中。智能交通系统中的关键部分是车辆检测算法,基于深度学习的车辆检测算法以其更好的检测效果,逐渐成为了主流的检测算法。YOLOv3作为目前常用的深度学习车辆检测算法之一,其对于大中型车辆目标的检测效果较差,且算法在车辆数据集上的检测精度有待进一步提升。因此,本文提出了改进YOLOv3的车辆检测算法,论文的主要工作如下:首先,针对K-means聚类算法获得的先验框不太符合车辆数据集中真实目标框的尺寸分布的问题,本文使用K-means++聚类算法来生成先验框,并改进了距离计算公式;然后,针对YOLOv3算法特征提取网络的特征提取能力较差的问题,重新设计了特征提取网络;最后,针对YOLOv3算法特征图检测尺度偏少的问题,将特征图个数增加为六个,并重新设计了六个特征图的尺寸,使用特征图融合策略融合了不同尺度的特征图,提高了算法对于大中型车辆目标的检测效果。针对KITTI数据集中图片数量偏少的问题,需要使用数据增广方式来扩充数据集。本文通过对比实验,测试YOLOv3算法在经过几种数据增广方式处理的KITTI数据集上的检测精确度,实验不仅验证了使用数据增广可以增加模型的检测精确度,而且验证了CutMix数据增广是最有效的数据增广方式,并将经过CutMix数据增广后的KITTI数据集作为后续实验的数据集。为验证本文算法改进策略的有效性,进行了使用不同聚类算法和网络结构改进前后的对比实验,证明了本文改进策略可以带来算法检测精度的提升。此外,还将本文算法与目前主流的算法进行了实验对比,分析了几种算法的检测效果,实验证明,本文算法能在保证实时检测的基础上,可以获得相比其他算法更好的检测效果,并能适应不同场景下的检测任务。