改革开放以来我国各行各业蓬勃发展,人民幸福指数不断提升,全国汽车保有量也呈指数增长,但与此同时也带来了交通事故发生率及人员伤亡率居高不下的态势,给交通管理带来了极大的不便。如果可以利用道路中的监控数据对易发生交通事故的路段进行及时的预警和及时地救援,则可以极大程度的避免人员的伤亡。而智能交通系统可以将交通信息有效地收集整理并转化成结构化信息,给交通管理带了巨大的便利,而行人和车辆的混行目标的准确检测则是其中最为重要的一环。现有道路交通场景的视频结构化系统在工作时往往受到两个条件的制约。其一,目前的开源算法应用在多个场景中都有较好的检测效果,但应用在实际的交通场景中检测准确率仍达不到需求,而且速度也无法满足实时检测的需求;其二道路交通场景的检测结果受天气影响较大,往往出现在光照充足的场景中检测准确率高而黄昏或阴雨等光线条件较差的场景检测准确率低的情况。本文针对这两个问题对道路交通场景及交通目标进行分析,针对其特点提出了特征图深度融合的高效检测网络用于道路场景的目标检测,此外对现有的图像增强算法进行研究,将Retinex算法与图像和模型检测准确率构建增强算法模型,增强检测模型的鲁棒性。本文主要研究工作总结如下:首先,针对开源数据集不满足实际需要的问题,构建针对监控场景的道路交通目标的数据集。本文通过获取多个道路监控的视频数据对其进行人工标注。并利用传统的数据增广方法结合生成对抗网络的方法丰富数据,构建了针对道路监控场景的行人及车辆数据集。其次,针对由于光线不足导致的目标检测算法准确率不高的情况,提出将待检测场景的信息与Retinex图像增强算法进行有效联系并构建增强模型。实验证实Retinex对不同光照场景的增强效果不一致,为最大化图像的增强效果,本文对场景的平均灰度值进行估计并对关键参数的设定进行了调整,通过反复实验,最终将图像增强算法和场景信息构建了模型,取得了不错的增强效果。最后,针对道路交通场景背景多变目标尺寸分布不均的问题,通过对监控场景和检测目标进行统计分析,以及结合卷积后的特征图可视化结果设计提出基于特征图深度融合的检测网络DF-Net。DF-Net对特征金字塔顶层的特征图进行尺寸转移并与底层特征图进行通道合并,将深层和浅层的信息深度融合,提升模型提取特征能力,并结合多尺度预测提高模型检测的准确率。分别在自制的交通场景的数据集上进行测试,结果表明DF-Net的准确率和速度上均有明显提升。此外还对目标像素占比较小的高架桥、人流和车辆交汇的人行道及拥堵的高速路等场景进行实测,实验表明DF-Net的检测效果及速率满足实际需要。