目前,计算机视觉技术的快速发展使智能汽车的环境感知系统迎来了变革,环境感知系统能够及时并准确地感知周围的复杂环境,对于避免碰撞和保障行车安全具有重要的意义。针对环境感知这一任务,本文提出一种基于注意力特征融合的交通场景目标检测方法,在满足实时性的前提下,提高模型的目标检测性能,尤其是提高远距离处小目标的检测精度,为智能汽车后续的决策和控制提供准确的环境信息。首先,通过对当前的目标检测方法进行对比分析,选择在检测速度和精度上都较优的YOLOv5s模型作为后续研究交通场景目标检测的基准模型,并构建基于YOLOv5s的目标检测系统。建立测试样本,通过实验结果分析YOLOv5s模型在交通场景目标检测过程中存在的局限性。其次,针对YOLOv5s模型在目标检测过程中存在漏检、对远距离处小目标的检测效果较差等问题,提出一种多尺度通道注意力模块(MS-CAB),以缓解目标尺度变化和小目标检测带来的问题,将该模块嵌入到YOLOv5s模型的四个Concat操作分支上,得到新的网络模型MS-CAB＿YOLOv5s。在多尺度通道注意力模块的基础上提出注意力特征融合模块(AFFB),该模块能够通过融合语义和尺度不一致的特征来更好地捕获来自不同网络层的上下文信息,将其替换YOLOv5s模型中的四个Concat操作,得到新的网络模型AFFB＿YOLOv5s。实验结果表明,与基准模型YOLOv5s相比,AFFB＿YOLOv5s模型在保证实时性的前提下,具有更高的mAP,在交通场景数据集BDD100K的验证集上使所有目标的mAP提升0.9%,同时使小目标的mAP提升3.5%。最后,针对低成本的车载嵌入式平台的目标检测方法应用,提出一种基于TensorRT加速的交通场景目标检测方法,将最优模型AFFB＿YOLOv5s在嵌入式平台JetsonTX2上进行TensorRT加速推理部署。模型通过网络层及张量融合、FP16低精度推理等优化策略,能够在保持精度基本不变的基础上,实现59FPS的检测帧率,满足车载环境感知系统的实时性要求。