室外无人车在自主驾驶时,需要检测环境中的障碍来决策下一步的行动。然而对于室外障碍物检测的研究,传统的图像识别算法现如今仍存在检测速度过慢、检测精度不高等问题。近些年来,深度学习思想在计算机领域的快速发展,使这些问题得到了很好的解决。本文以无人车为实验平台,通过单目视觉传感器对室外无人车周围环境进行记录,并基于深度学习算法设计室外障碍物检测系统,解决现有算法对小目标障碍物检测准确率较低的问题。主要研究内容包括以下几个方面:(1)针对SSD算法中,图像经过前置网络层后,特征信息损失较大以及位置预测不够准确的问题,通过改变VGG-16网络的池化层、增添H型扩张卷积的方式进行改进,使图像经过改进网络后,特征图的分辨率变化较小,精细网络输出结果,提高算法对目标的检测准确率。(2)针对SSD算法的网络结构对小尺寸目标不够敏感的问题,本文在前置网络后的卷积层上,使用输入映射和输入本身叠加进入下层卷积的改进方式,使改进网络能够充分利用各个网络层的特征,提高对小目标障碍物的检测准确率。(3)针对原SSD算法在训练网络时容易导致训练中断的问题,改进算法使用能够实现自归一化的缩放指数型线性单元(SeLU)作为网络的激活函数,防止在训练过程中梯度爆炸或者梯度消失等情况的发生,保证神经网络学习的鲁棒性。从实际应用情景出发,本文以车、人、自行车三类常见室外障碍物作为训练样本,自制数据集并根据SSD算法的数据增广原则进行数据增广,使用SGD Momentum算法和循环学习率的方法进行训练实验。在测试集上进行测试,输入300× 300尺寸图片的检测平均准确率(mAP)为80.4%,相比于原算法提高了 6.3个百分点,速度达到33帧/秒。对改进算法的小目标检索能力进行评估,并且设计多个对照试验对改进模型进行分析,对超小目标及小目标的检索率达到0.58和0.87,相比于原算法分别提高了 20和13个百分点,实验结果表明,本文提出的改进算法有效提高了系统对小目标障碍的检测准确率。