随着汽车的日益普及,城市道路中的机动车数量日益增长,但随之而来的大量交通事故却威胁着人们的生命财产安全。智能交通系统是改善交通系统的重要手段,而目标检测技术是智能交通系统中的重要组成部分。目标检测技术分为基于图像处理的方法和基于深度学习的方法。由于实际的交通环境复杂多变,传统的图像处理方法已经无法满足需求,而随着深度学习的发展与计算机硬件设备性能的进步,基于深度学习的方法已经可以在某些场景中兼顾准确率与实时性,实现实时准确的目标检测。然而,基于深度学习的算法依然存在着不足,例如依赖大规模数据集、小目标检测效果差、某些模型复杂度高难以实时应用等。基于此,本文在总结前人深度学习及目标检测研究成果的基础上,开展了智能交通中的目标检测研究。在交通标志检测的问题上,针对目前交通标志识别准确度低,漏检率高,难以兼顾准确率与实时性的问题,本文以实时性佳的SSD网络为基础,提出基于多层特征融合的交通标志检测算法。本文首先对国际公认的美国LISA交通标志数据集和德国GTSDB数据集进行统计分析,根据交通标志牌的目标尺寸特点改进网络中default box的参数设置,一定程度上解决default box不匹配产生的漏检问题。另外,本文设计了一种特征融合模块,利用反卷积进行上采样以实现不同分辨率特征的融合,提出了多层特征融合的交通标志检测算法。训练部分,针对交通标志数据集规模较小的问题,对训练集进行合理的数据增广,并使用在ImageNet数据集上预训练的分类网络参数对主干VGG16网络进行初始化,训练模型,实验证明本文提出的算法能在保证实时性的同时提升检测准确率。另外,本文还开展了交通标志检测和道路检测的融合研究,探索了利用单个网络同时完成不同类型检测的可行性。本文设计了一个交通标志-道路联合检测网络,共享特征提取网络并加上两个任务分支作为整体框架。交通标志检测部分采用了SSD检测网络的结构,而道路检测部分则采用了全卷积的分割网络。在训练阶段,制定合理的交叉训练策略,以得到联合检测模型。经过测试,发现网络能够较好地完成联合检测任务,并有效简化模型,提升检测速度。