车辆检测作为目标检测的研究分支之一,在智能交通系统、无人驾驶汽车、智能停车场、交通事故处理等领域有着广泛应用。近年来,随着国内外学者将深度学习应用到目标检测领域,出现了许多基于深度学习的目标检测算法,并表现出了不错的检测性能。对于车辆检测而言,在复杂道路场景下,由于车辆尺度变化大、部分遮挡以及光照变化等因素的影响,降低车辆检测的漏检率和误检率依然面临严峻挑战。设计合理的网络结构以有效地提取目标特征,构造恰当的损失函数以改善模型性能等方面尚有很大的研究空间,对提高车辆检测性能大有裨益。因此,本文以通用目标检测模型为出发点,在详细分析目标检测主流算法的基础上,针对车辆检测中的车辆尺度变化大、部分遮挡等相关问题展开研究,主要研究成果如下:1、改进SSD算法。根据复杂道路场景下的车辆检测任务,针对SSD算法中对多尺度车辆检测精度偏低以及在部分遮挡情况下存在漏检的缺陷,保留其采用的多尺度检测思想,在网络结构上进行改进,改善网络的特征表达能力。具体改进为:对主干网络特定层的输出使用级联膨胀卷积以应对车辆的多尺度变化;在膨胀卷积之间采用密集连接以获取目标上下文信息解决目标部分遮挡问题。实验结果表明,改进后的算法在UA-DETRAC数据集mAP达到89%,对车辆的尺度变化、部分遮挡以及光照变化具有较强的鲁棒性。2、工程车检测。针对工程车检测应用中的数据类别不均衡问题,引进了焦点损失函数。通过调整训练样本中正、负样本的损失权重,从而使得数据中的正、负样本趋于平衡,进而提高模型的检测精度。在特种车辆数据集上的实验结果表明,该方法不仅有效解决了数据类别不均衡问题,而且还能提升算法的检测精度,mAP达到90.6%。