随着深度学习的发展,嵌入式计算平台算力的提高,自动驾驶成为未来汽车发展的一个重要方向。可靠高效的自动驾驶技术在给人们的生活带来便利的同时也可以规避掉很多由于疲劳、酒后驾驶等引发的交通事故。环境感知模块是自动驾驶技术中重要的一环,它可以获取周围环境中的3D环境信息。车辆根据环境中的障碍物分布、路标等信息进而通过决策控制和路径规划算法控制规划车辆的运动。因此环境感知对目标的有效检测是后续车辆安全驾驶的基础。激光雷达是目前主流的感知传感器,但是其价格昂贵且容易受雨雪天气影响。高校、园区、住宅区等这些车辆密度大的区域,存在停放车辆密集、车辆停放不规则、缺乏明显车道线等问题,给自动驾驶技术带来了新的挑战。目前,公开数据集多集中在空旷的公路,缺少车辆密集场景的数据,此场景下研究相对不足。因此研究一种在复杂环境中可以对目标进行有效检测的低成本视觉方案具有重要意义。本文以国内高校、园区内的车辆密集场景下的车辆检测为研究对象,分别针对公开数据集缺乏车辆密集场景下的数据、密集场景下小目标和遮挡物体检测精度低等问题,利用合作研究单位环宇智行提供的园区数据集及自行搭建的数据采集平台采集的校园密集场景下的数据对公开数据集进行了扩充,并改进了 Stereo R-CNN网络提高了小目标和遮挡物体的检测精度。除此之外,利用自采数据对模型进行迁移学习,使得模型适应车辆密集场景。论文主要工作如下:（1）针对目前公开数据集缺乏车辆密集场景的问题,本文搭建了基于ZED相机、Jetson Xavier的数据采集平台,并完成了高校内停车场、交通小路等密集场景数据采集、相机标定、数据预处理及标注等工作,对公开数据集进行了扩充。（2）针对Stereo R-CNN模型对于小目标检测精度低的问题,本文引入了 Path Aggregation Network（PANet）网络,并在此基础上将PANet中兼顾定位信息与语义信息的输出特征g4、g5层与FPN网络具有强定位信息的p2、p3层和提高感受野的p6层进行融合之后输入后续检测网络。实验证明,与其他组合方式相比,此方式有效提升了模型在小目标检测上的精确度。（3）针对密集场景下的遮挡问题,本文引入Repulsion Loss损失函数以解决密集场景下目标车辆特征图（feature map）存在大量其他车辆信息的问题,有效减少了输入后续3D包围框回归模块的feature map的冗余信息。（4）将改进后的网络在公开数据集KITTI上进行了实验,并在自采数据集上进行了迁移学习。实验证明,与baseline相比,改进后的Stereo R-CNN模型在公开数据集和自采数据集上对车辆密集场景下小目标和遮挡物体的检测精度均有所提升。