汽车的快速发展给人们带来便捷生活的同时,也产生了交通拥堵等问题,而智能交通系统的出现可以很好地缓解该问题。车辆检测是智能交通系统中最重要的组成部分,其性能直接影响整个系统的应用效果。目前,基于深度学习的车辆检测方法已经取得了很大进展,但在实际应用中,图像中车辆尺度不一、场景复杂多变以及遮挡等问题依然很难解决,车辆检测仍然是一个具有挑战性的任务。本文主要研究基于深度学习的多尺度车辆检测算法,研究内容如下:针对车辆检测问题,首先介绍基础的卷积神经网络知识,对其网络结构进行阐述并分析各层的特点;然后介绍不同的特征提取网络,并对这些网络的优缺点进行分析;最后介绍基于卷积神经网络的目标检测算法,包括Two Stage目标检测算法和One Stage目标检测算法,并对这些算法的优缺点进行分析。针对车辆检测任务中的多尺度问题,提出一种基于多尺度的车辆检测算法。该算法以目前最常用的多尺度目标检测算法FPN（Feature Pyramid Network）为基础模型,首先采用反卷积代替原始网络从上到下通路中的2倍上采样,增强深层的语义信息;其次加入均衡化模块,并将原始FPN的预测层都连接到此模块,对原始网络中不同尺度层的输出进行均衡化处理,得到更加均衡的特征信息;然后在均衡化模块后加入Non-local模块,对均衡化后的特征图进一步增强,丰富特征信息;最后将增强后的特征图与原始输出融合并进行多尺度预测。在Pascal VOC和MS COCO数据集上进行实验,结果表明,本文算法相比FPN,在对不同种类或者不同尺度车辆的检测精度上都有提高。针对车辆检测中候选框生成尺寸与实际车辆尺寸差别较大的问题,提出一种基于K-means++改进候选框生成尺寸的算法。该算法采用K-means++算法对实验数据集进行聚类操作,获得最优的候选框生成尺寸,改进后的候选框尺寸更接近实际车辆尺寸,有利于检测网络对车辆特征进行更充分的学习。为了进一步提高车辆检测性能,对训练策略进行优化,分别使用OHEM方法和IOU-Balanced方法对车辆检测网络进行优化。最后在Pascal VOC和MS COCO数据集上进行实验,结果表明,采用基于K-means++改进候选框生成尺寸的算法对车辆检测进行优化,在一定程度上提高了检测精度。相比OHEM方法,IOU-Balanced方法对车辆检测网络优化效果更好。通过结合两种优化,车辆检测的性能可以得到显著提升。