据公安部统计,2018年全国汽车保有量突破2.4亿辆,汽车驾驶人达3.69亿人。随着交通车辆数量高速增长,交通监管面临着巨大的挑战。车辆目标检测作为构建交通状况视频监控的一项关键技术,长期以来受到国内外研究者的广泛关注。传统的机器学习方法不能准确描述并覆盖样本特征,泛化能力较差,难以实现精准的识别效果。基于深度学习的目标检测算法存在网络结构过大、运算量过大的特点,无法满足车辆检测任务的高实时性要求,因此难以在实际车辆检测中应用。本文针对以上问题,对现有的目标检测模型优化改进,同时设计实现算法验证平台验证改进效果。具体工作如下:首先,对经典的目标检测模型Tiny YOLO进行网络结构的改进,提出一种轻量化的实时目标检测模型SPTNet。SPTNet设计以下三个组件对模型结构进行优化:特征提取组件,削减网络冗余权重以提高模型速度;特征融合组件,引入FSPP结构以更好的捕捉目标的多尺度特征;特征回归组件,采用anchor boxes机制使得模型生成的候选框能够更加准确,模型也更加容易训练至收敛。同时对提出的SPTNet的改进效果进行验证。首先利用公开数据集Pascal VOC以及自采集的车辆数据集Anngic对SPTNet和Tiny YOLO模型进行结果对比,以验证SPTNet的检测效果。然后通过对模型各组件进行消融实验,以验证提出的各组件优化操作的有效性。其次,改进损失函数算法使模型对数据集中难易程度不同的样本学习能力更强。在后处理中,加入一些能有效提高检测可视化效果的手段。在达到车辆检测实时速度要求的同时,也提升了检测精度。通过对数据集进行数据增强完成鲁棒性实验,以验证SPTNet对于车辆特征的提取能力。实验表明改进后检测效果明显变好。最后,设计实现算法验证平台。本平台旨在削减模型训练过程的繁琐性,为研究者提供一个简单易上手的自动化平台。平台为开发者提供了可视化界面,增强了可操作性。除了实现模型的训练、验证,平台还能对模型的性能进行评估,判断其精度和速度是否能满足要求。综上所述,本课题立足于基于卷积神经网络的目标检测算法优化的研究,对其在车辆检测领域的应用做出尝试,最终在满足车辆检测实时性要求的同时,提高了检测精度,同时设计实现了算法验证平台,具有良好的研究价值和应用价值。