随着国民经济的快速发展,汽车保有量持续增加,社会所面临的交通监管压力日益增大,一系列城市交通问题随之而来,对国家和个人造成了不同程度的人力、物力、财力资源的损失。近几年,随着人工智能和大数据技术的兴起,为及时缓解和解决城市交通问题以及因其所造成的负面影响,我国提出大力推进交通监管建设的智能化,针对问题对智能交通系统提出了新的需求,对研究人员提出了新的挑战。车辆检测是其中的关键技术之一,也是部分其它重要技术的基础,如车流量统计、车辆跟踪、车间测距等。在现实应用场景中,车辆检测需要对图像或者视频帧中出现的车辆进行实时检测,并获得车辆的精确位置。所以,研究一种性能较好的车辆检测算法具有一定的重要性及意义。传统的车辆检测算法主要分为基于建模的前后景分离和基于机器学习的手工特征提取,前者如帧间差分法、光流法、背景差分法等,后者如HOG（Histogram of Oriented Gradients）手工特征提取、DPM（Deformable Parts Model）算法等,这两类方法往往因为实现过程过于复杂或易受复杂外在因素的影响而导致检测结果不能满足真实场景的需求。目前,基于深度学习的检测技术发展迅速,是机器学习的研究热点,在众多场景均取得了不错的成果。本论文重点研究基于深度学习的目标检测算法,并对其分析,选定了在检测精度和速度方面均性能较好的SSD（Single Shot Multibox Detector）模型作为基础模型,提出了一种基于上下文和空间注意力的改进模型,并以该模型实现车辆检测。本文的主要工作内容和创新点如下:1、针对SSD模型中使用浅层网络的特征信息预测目标对象时会缺乏深层语义特征信息这一问题,本文受DSSD（Deconvolutional Single Shot Detector）模型中采用上下文信息融合的启发设计了连接模块,并通过实验,提出在SSD的两个特定卷积层conv4₃和con5₃之间进行上下文融合,通过上下文信息融合,使得SSD模型进行预测时能够弥补浅层特征信息的表达能力,从而提升模型的检测精度。实验结果表明,引入上下文后的模型在数据集VOC 2007和VOC 2012上的性能表现更好,检测精确度提升1.5%。2、针对不同车辆检测数据图像可能会发生形变以及卷积神经网络池化层中损失一定的位置特征信息这一问题,本文在SSD模型加入上下文信息融合的基础上引入空间变换网络,通过使用其定位网络对SSD模型训练过程中已进行数据增强的数据生成变换参数,进一步增强空间不变性,降低数据形变所来的偏差,并通过实验与三种算法进行车辆检测的性能对比,结果表明,改进模型的性能仍有所提升。