速度快、准确度高的车辆检测系统不仅能够帮助交通指挥员加强对道路交通系统的管理,而且能够在交通事故等紧急事件中快速提取出事故车辆的信息,提高处理紧急事件的效率。可见,提高车辆检测的精度和速度对增强城市道路交通管理系统具有重要意义和应用价值。本文深入研究了Mask R-CNN网络模型,对其主干网络和Ro I Align进行改进,提出了CA-PS Mask R-CNN网络模型,完成以城市道路为实际背景的不同车辆类型（car、bus、truck）检测任务。主要改进如下:（1）提出新的骨干网络Res Net59-FPN-CA:首先在Res Net50的基础上新增一个第六阶段用来提取FPN中的特征图P6,五、六阶段输出的特征图的尺寸分别是输入图像的1/16和1/32,并且其残差结构用空洞卷积残差结构代替,不仅能够增大深层特征的感受野和分辨率,还能够获得更准确的定位信息,同时将五、六阶段输出的特征图的通道数减少为256,减少网络参数的数量和网络模型的运行时间;其次在FPN网络中引入通道注意力机制（CANet）,实现逐通道调整特征图,提高特征图中重要特征的辨别能力,使得后续的RPN网络可以更充分的利用这些特征图。（2）随着骨干网络Res Net层数的增多,Mask R-CNN网络模型在定位任务中对目标位置信息的感知能力下降。针对此问题,本文引入588维的位置敏感得分图来提高深层特征对目标位置信息的敏感度,并使用PS Ro I Align进行池化得到7*7*12和14*14*3的候选区域,减少Head结构的通道数,提高模型的检测速度。在CityScapes数据集上对基于不同主干网络的Mask R-CNN网络模型、基于不同维度的位置敏感得分图的Mask R-CNN网络模型以及CA-PS Mask R-CNN网络模型分别进行训练。结果表明,本文提出的基于Res Net59-FPN-CA的Mask R-CNN网络模型的检测精度明显高于基于其他主干网络的模型,基于588维位置敏感得分图的Mask R-CNN网络模型在基于不同维度位置敏感得分图的网络模型中具有更好的检测性能,CA-PS Mask R-CNN网络模型的检测精度提高为87.76%,测试时间缩短为128ms。