如今人工神经网络的研究不断加深,卷积神经网络研究的兴起,计算机视觉逐渐进入大众视野,伴随着对于计算机视觉研究的拓展,目标检测作为计算机视觉一个重要的研究方向,在生产生活中逐渐起到重要的作用。现在伴随着时代的发展和科技的进步,越来越多的人们出行时选择乘坐机动车,又因为5G技术的发展,无人自动驾驶成为世界各国政府和科技公司发展的对象,而无人自动驾驶系统中的目标检测就成为研究人员研究的焦点。但是在驾驶场景的条件下,无人驾驶目标检测中速度和准确率漏检率就是最核心的因素,所以无人驾驶未来的优化方向会是检测速度,检测准确率和检测漏检率等方面。驾驶场景中目标检测问题主要是对于目标种类检测和目标位置检测两个方向。由于卷积神经网络有出色的处理图像的能力,结合对比当下几种比较优秀的图像识别算法,本文采用在YOLOv3-tiny和YOLOv4-tiny算法基础上进行优化的算法,从而对于驾驶场景下的目标检测进行速度和准确度还有漏检率的优化。具体工作内容包括:（1）提出了一种对于YOLOv3-tiny算法的优化:适当增加网络深度,增加空间金字塔池化结构,增加yolo检测层。首先,YOLOv3-tiny算法是YOLOv3算法的精简版,YOLOv3主干网络是Darknet-53,而YOLOv3-tiny的主干网络是Darknet-19结构,对比速度上面得到了很大的提升,但是这是在牺牲了精度和漏检率的基础上而来,本文结合SPPNet模型中的空间金字塔模型,在YOLOv3-tiny算法主干网络中加入类似于SPPNet模型中空间金字塔池化模型,解决了卷积神经网络的重复特征提取问题,并且增加了网络深度有助于特征值的采样计算,大大提高了候选框的生成速度,在不牺牲计算速度的情况下节省了计算成本。其次,YOLOv3-tiny只有两个yolo层,为了增加检测的准确率和检测的多样化,本文在YOLOv3-tiny只有两层yolo层的基础上增加了一层yolo层。（2）结合通过对于YOLOv3-tiny算法的改进研究对于新算法YOLOv4-tiny算法的优化:增加yolo层,采用更高效的Mish激活函数。YOLOv4-tiny主干网络是CSPDarknet-19结构和YOLOv3-tiny算法一样只有两个yolo层,本文也是在此基础上增加yolo层。在卷积神经网络中,输出结果平稳的激活函数更利于特征值向下传输,更利于每一层对于特征值的提取和计算采样,因为本文抛弃以往yolo-tiny算法中的Leaky-relu激活函数,采用输出更加稳定的Mish激活函数,提升整体的准确度和捡漏率。因为驾驶场景的安全性主要是以人的安全作为考虑,本着以人为本的原则,要加强对于人类要素的检测,在实际驾驶场景中不管是行人还是骑自行车的人都是以人类要素为主,在这种情况下,本文对于数据集进行了特别的改动,把人类要素相关种类都归于行人一类,并且在图像标注的时候加以归类,减少种类但是可以加大数据训练量,更好的提升准确率。