随着我国近代化进程的不断加快,汽车的数量大量增加,这也间接导致了交通事故的发生频率大大增加,因此自动驾驶技术引起了各大汽车厂商的愈发关注。基于深度学习的目标检测技术在自动驾驶的感知模块发挥着很重要的功能,但是随着目标检测技术的精度的提升,其网络模型也会愈发的复杂,庞大的训练参数则需要较高的硬件配置。由于汽车的车载系统性能有限,因此如何让目标检测算法在保持精度的同时,更加的轻量化则是本文的主要研究方向。特征金字塔网络作为最流行的方法已经被广泛地应用于基于深度学习的目标检测算法当中,大量的研究成果表明特征金字塔是卷积神经网络在解决目标检测问题时最有效的特征融合方法之一。本文对特征金字塔网络的优点进行了更深一步的探索与思考,深度挖掘了特征金字塔的另一个优点是以“分而治之”的方式对目标检测问题进行解耦,从而使神经网络能够更好地进行优化。为了应对自动驾驶中恶劣的雨水天气,本文又基于transformer,提出了一个面向记忆的单图片去雨算法。通过上述工作,本章重点的创新性工作有如下两点:⑴本文设计了一个基于transformer的面向记忆的编码器和解码器单图片去雨模型。该模型通过自我监督记忆模块进行数据增强,其中记忆中的项目记录降雨退化的原型模式,并以自我监督的方式进行更新。此外,本文提出了一种自我训练机制,将有监督的雨水去除知识转移到无监督的情况下,对合成雨水图片和真实雨水图片均有良好的去除效果。⑵本文提供了一个全新的轻量级目标检测算法,设计了一个新的解码器和编码器模型,使用单尺度输出的方式替代特征金字塔的多尺度输出,从而降低计算复杂度;然后我们又加入了注意力机制和anchor-free的分支,使得模型获得更好的训练,最终实现了基于分治策略的准确快速的目标检测。实验表明,本文所提的轻量级目标检测算法和单图片去雨算法都有一定的优势。轻量级目标检测算法能与目前主流的目标检测取得相似的精度的同时,计算复杂度更低,更加节省资源。单图片去雨算法在合成雨水图片上取得了较好的效果的同时,而且在未标记的真实世界图像上取得了比目前最先进的方法更有吸引力的效果。