无人驾驶汽车道路前方的目标检测技术,最主要的是对外界各种复杂的环境的感知再对此进行决策,从而使无人驾驶汽车正确地自主操作,应对驾驶。然而在对车外目标检测的过程中,因为复杂的外界因素会使得目标检测的准确度方面有很大影响,而且在样本中很多较为模糊、微小和歪斜的目标难以分割,还有遮挡的车辆、路标、停车线还有各种障碍物。本文通过使用目标检测Mask R-CNN算法并且使用车辆前方道路cityscapes数据集进行训练和测试,对前方行驶区域进行预测和道路前方的目标进行检测,而在目标检测中对模糊、微小和歪斜的目标则采用关键点的检测方法,提升Mask R-CNN的准确度。在本文中主要完成了如下工作:1.通过在Cityscapes数据集上进行测试将Mask R-CNN与常用的神经网络算法的比较,体现Mask R-CNN的优势。2.将Mask R-CNN运用于无人驾驶汽车道路前方的目标检测中,在对道路前方行驶区域的预测中,与传统的图像分割方法进行比较,发现Mask R-CNN对行驶区域的预测更加精准。3.在Mask R-CNN加入关键点的检测,对目标进行多个关键点选取,每个类别的关键点位置都做一个mask,提出用多个关键点预测少量关键点的方法提高Mask R-CNN算法的性能。