随着汽车产业在国内外快速地发展,城市交通压力越来越大,车联网系统是改善城市交通压力的一个重要突破点。车联网系统中包含车载单元和路边单元,路边单元负责感知各种道路信息,车联网系统作为一种实时信息驱动型服务系统,扮演其信息源头的路边单元的信息感知能力是非常重要的。本文将主要对路边单元的信息感知进行研究,并把路灯和路边单元结合在一起,组成车联网智能路灯系统。其中信息感知方式有多种,本文侧重于基于深度学习的目标检测方法来感知智能路灯拍摄到的图像中蕴含的道路交通信息。主要研究内容如下:首先,本文主要以深度学习的方式来研究图像信息感知问题,故先对深度学习相关的概念、神经网络的运行流程、卷积神经网络的相关层进行了简要的介绍。之后介绍了我们建立的混合数据集UA-DETRAC-LITE-NEW,其适合应用于车联网场景下。其次,提出改进的RetinaNet车辆检测器。对RetinaNet的骨干网络ResNet-50的下采样模块信息利用不充分的缺点进行了改进,并为每个残差块加入了通道注意力机制,之后,优化了NMS策略,最终mAP提升3.11个百分点,达到89.63%,在RTX2080显卡上检测速度为13.19FPS。接着,提出了具有高实时性的改进的YOLOv3车辆检测器。重新针对车辆检测场景聚类了新的先验信息,通过Mixup的方式对数据进一步增强,通过Label Smoothing降低模型的自信,提升模型的泛化能力,之后还分别使用GIoU改进了位置回归损失、使用微调的Focal Loss改进了置信度损失,最后基于CBAM模块改进了网络结构。最终,mAP提升7.02个百分点,达到88.35%,在RTX2080显卡上检测速度为31.14FPS。最后,提出两个可应用改进的车辆检测算法于车联网智能路灯系统中的方案,第一个是适用于目标检测场景下的一种自适应虚拟线圈的细粒度车流量统计算法,给出具体算法设计,并以实验验证该算法的性能。第二个是智能交叉口信号灯控制系统,给出了功能设计、信号灯控制算法设计,并在贵阳市实际车流数据中进行仿真实验,该信号灯控制算法在高峰时期可较大程度降低车辆通过交叉口所需的等待时间。