车辆检测一直是计算机视觉领域的热门研究方向,是推进智慧路侧停车管理系统、智能交通系统中无人驾驶辅助系统的基础。目前,随着深度学习在计算机视觉领域的不断发展,出现了许多检测性能表现优异的目标检测算法,因此本文采用基于深度学习的方法进行车辆检测。但是,对于车辆检测而言,由于检测场景复杂,比如:在无人驾驶辅助系统中对车辆检测的实时性要求很高;在智慧路侧停车管理系统中存在车辆目标密集且重叠度高的问题导致车辆检测精度降低,给车辆检测技术带来了很大的挑战。因此,本文针对以上两个场景面临的主要难题,分别从提高车辆检测算法实时性和车辆识别率两个角度出发,提出了改进的SSD算法和改进的Cascade RCNN算法。具体完成工作如下:针对在智慧路侧停车系统等车辆目标较小且重叠度较高的场景下进行车辆检测时仍存在漏检的问题,采用检测精度占据优势的二阶段目标检测算法Cascade R-CNN作为基础算法,对其经过一系列的改进之后,进一步提高车辆的识别率。主要改进方式如下:第一,为了提取更多的车辆特征信息,采用分类精度更高且参数量更少的Res Net50作为算法的特征提取网络;第二,为了提高车辆小目标的识别率,设计了多尺度特征融合均衡化网络,将Res Net50输出的具有大量位置信息的浅层特征层与和具有丰富语义信息的深层特征层进行均衡化融合;第三,为了优化目标框的回归机制,采用将真实框与预测框之间的距离、重叠率以及尺度等都考虑进去的DIo U loss作为算法的边界框回归损失函数,进一步提高了车辆的定位精度。实验结果表明,本文基于Cascade R-CNN的车辆检测改进算法在自制的车辆数据集上平均精度达92.96%,较改进前的算法提高了3.69%,与YOLOv3、Faster RCNN车辆检测算法相比分别提高了6.35%和4.38%。针对经典车辆检测算法无法满足无人驾驶辅助系统的实时性需求,提出一种改进的SSD算法,压缩模型计算量,进而提高车辆检测速度。主要改进方式有:第一,为了降低算法的计算量和参数量,对SSD算法的主干网络进行轻量化改进,通过实验对比各种轻量化网络作为SSD算法主干网络的模型性能,最终选出性能表现最佳的Shuffle Net V2网络作为SSD算法的主干网络;第二,为了抵消模型轻量化给模型检测精度带来的影响,在特征提取层引入了以SENet为基础的sc SENet模块,对特征通道和空间位置的重要性进行重标定,在对模型计算量影响甚微的情况下显著提升了模型检测精度。实验结果表明,本文基于SSD的车辆检测改进算法在自制的车辆数据集上检测速度可达101.41FPS,约是原SSD算法的2.2倍,其检测精度也高于原算法1.66%,与YOLOv3、Faster R-CNN车辆检测算法相比检测速度分别快65.14FPS和95.12FPS。