近年来,以 Faster R-CNN(Faster Region with Convolutional Neural Network)为代表的深度学习算法在前方道路车辆(简称“前车”)检测中取得显著成功,但同时也面临因车辆运动的不确定性、遮挡等因素所带来的诸多问题挑战。本文在Faster R-CNN算法的基础上,分别从前车检测精度、遮挡前车检测以及前车检测速度三个方面进行了问题的探究及对应Faster R-CNN算法的优化。首先,针对自主车(相机安装车辆)车速变化带来的图像中前方不同尺寸车辆出现频率变化的情况,将车速划分为0-20km/h、20-60km/h、60-120km/h三个阶段,以K-means聚类方法分析不同车速阶段中不同尺寸前车出现频率,发现随着自主车车速增加,前方小尺寸车辆出现频率增加,其他类型尺寸的车辆出现频率减少,因此提出了车速分类随机Anchor(锚)方法,根据前车尺寸变化规律针对性地优化anchor的尺寸,提高了 Faster R-CNN算法对前车的检测精度。其次,针对遮挡前车的检测,将Faster R-CNN中的NMS(Non Maximum Suppression)算法替换为Soft-NMS算法并进行遮挡前车检测,根据检测结果发现Soft-NMS内的惩罚系数可以进一步优化,并依此提出了Q方惩罚系数方法,对惩罚系数进行多次相乘处理,提高了 Faster R-CNN对遮挡车辆的检测精度;同时在Soft-NMS中应用了反比例惩罚系数及指数惩罚系数两种新的惩罚系数,并进行实验探究了新的惩罚系数对遮挡前车检测精度的影响。最后,针对Faster R-CNN算法对前车的检测速度问题,发现RPN(Region Proposal Network)的后处理方法可以进行进一步的优化。首先调整了后处理方法中选择的靠前置信度得分检测框数量及建议区域的数量,随后在后处理方法中增加了新的检测框选择条件,通过减少参与计算的非车辆形状检测框数量降低了计算量,实验结果证明在恰当的数量及参数选择下优化算法对前车的检测速度有了较大的提升。