汽车保有量的快速增加方便了人们的出行,但随之而来的道路拥堵、交通事故伤亡等问题也日益严重。近些年来随着人工智能的快速发展,汽车自动驾驶技术成为了解决传统汽车道路交通问题的重要技术,受到了越来越多企业及国家的重视与研究。目标检测算法作为自动驾驶系统的基础和重要组成部分,需要快速而准确地识别并定位目标,在一般的道路背景下,现有的目标检测算法已经可以胜任,但在复杂的道路背景下,由于目标多而杂,且距离和角度变化大,会存在着密集目标的遮挡问题以及小目标检测问题,容易造成误检和漏检,给现有的目标检测算法带来了极大的挑战,与此同时,自动驾驶系统的复杂度越来越高,给硬件也带来了很大的负担,因此,将目标检测算法设计地更加轻量化具有重大的现实意义。本文以基于深度学习的目标检测算法为基础,对复杂道路背景下的目标检测算法展开研究,具体研究内容如下:（1）针对复杂道路背景下的遮挡目标和小目标导致的误检、漏检问题,本文以YOLOv5s算法为基础,首先引入Quality Focal Loss,将分类得分与位置的质量预测结合,使得改进后的损失函数在保证原始Focal Loss能够平衡正负、难易样本特性的同时,还能够处理连续的标签值,无损提高了检测精度;其次增加一层浅层检测层作为更小目标的检测层,将原始算法的三尺度检测改为四尺度,特征融合部分也作相应改动,提高了算法对小目标特征的学习能力;然后借鉴Bi FPN的特征融合思想,提出了去权重的Bi FPN,充分利用深层、浅层以及原始的特征信息,加强了特征融合,进一步减少卷积过程中特征信息的丢失,提高了小目标的检测精度;最后为了进一步提升算法的特征提取能力,引入CBAM注意力机制,通过实验探究,将CBAM注意力模块嵌入算法的检测头前,让算法更关注有用的信息。（2）针对复杂道路背景下目标检测算法不够轻量化的问题,本文同样以YOLOv5s算法为基础,首先保留对Focal Loss以及对多尺度检测的改进,保证了算法有较高的检测精度;其次,借鉴Ghost Net,通过实验探究,将原算法Neck部分的Bottleneck替换为Ghost Bottleneck,在保持检测精度的前提下,减小了算法模型的体积,减少了参数量和计算量;然后将原网络的Backbone部分替换为Mobilenetv3,进一步轻量化算法,提升了算法在CPU环境下的检测速度;最后将算法进行一系列格式转换,成功嵌入树莓派视觉小车,实现算法落地。