近年来,随着我国交通车辆的爆发性增长,导致部分高速公路服务区的停车位日趋紧张,违法、违规停车事件时有发生,公众在服务区停留时的舒适度较差。另一方面,服务区需要对油罐车、畜牧车与普通轿车的停车位进行分类管理,以满足高速公路服务区的防控要求。考虑到基于视频的停车位检测技术对摄像头的位置要求较高并且对场景变化的依赖性强,同时该技术对小目标的识别精度不足,直接导致在车型分类时,算法的识别率较低,容易出现漏检、误检现象。因此,本文针对一阶段检测模型中对小目标识别率低以及在训练过程中存在正负样本不平衡的问题进行算法改进,并在此基础上开发并实现了高速服务区车位监管系统。具体工作如下:(1)本文在COCO公共数据集的基础上,增加高速公路服务区高空摄像头所拍摄的样本图像,同时依据高速公路服务区的车位管理需求对车辆的类型重新标注,并在Yolov3的网络结构基础上,提出了一种多尺度特征的卷积神经网络结构,进而有效改善了原有算法对小目标识别精度低的问题;同时,本文采用mixup数据增强的训练策略,增强模型的泛化能力,减少模型对错误标签的记忆,进一步了提升模型的检测精度;最后,本文提出在模型中采用swish激活函数,以解决Leak Relu激活函数在x负半轴的单调性以及在(0,0)处不可导的问题,进一步提高了模型的非线性表达能力。(2)针对一阶目标检测算法模型中存在正负样本不平衡的问题,本文设计了一种参数自适应的深度学习损失函数。该损失函数不仅充分利用了焦点损失函数的权重调节机制,还能够依据模型预测出的概率值,自适应的调节损失函数中超参数的大小,使模型能聚焦于数量较少的难例正样本的训练,有效的改善了模型中正负样本数量不均衡的问题。(3)结合上述提出的理论方法,本文设计并实现了高速公路服务区车位监管系统,该系统可以实时的对剩余车位数量进行检测,同时可以实现对区域内违停车辆的监管。本系统能够适应复杂的高速公路服务区停车场应用场景,算法对车位状态的识别具有较好的泛化能力;在检测阈值为0.5的基础上,准确率m AP超过了90%;检测速度为每秒25帧,目前该系统已成功应用在浙江某高速公路服务区中。