近年来,随着自动驾驶成为全球研究的热门项目,作为自动驾驶技术的核心任务之一,道路交通情况的目标检测也越来越受到重视。目前目标检测的方法有很多,这些方法的应用为驾驶员提供了更精确的道路信息,在很大程度上避免了交通事故的发生,为民众的生命和财产安全提供了有力的保障。道路上的车辆和行人的检测是自动驾驶方向中目标检测的重要任务。由于道路情况复杂多变,车辆行人目标由于视角、遮挡、姿态等因素很容易产生形变,检测道路上的车辆和行人是一个很具有挑战性的任务。传统的目标检测方法一般采用直接将图像采集设备获取的外界信息图像与数据库中的有限样本进行对比来识别特定目标,这种方法易受外界因素影响,识别正确率和识别速度难以提高,因此并不适用于自动驾驶技术。基于人工神经网络的目标检测方法,通过提取目标的特征参数,能够让机器掌握特定目标的特征,从而大大提高目标检测的抗干扰能力和检测准确度。本文通过对比传统目标检测方法与基于人工神经网络的目标检测方法的优缺点,提出一种基于人工神经网络的目标检测的实现方法。卷积神经网络在目标特征提取方面有显著的优势;深度学习的网络模型能更好的得到目标的特征信息;在目标检测领域,目前处于领先地位的是SSD(Single Shot MultiBox Detector)算法,该算法利用多尺度预测来提高检测准确率,通过舍弃全连接层改用卷积操作预测目标类别和位置的方法使得检测速度也得到很好的提升。由于本文实验需要检测的是道路上的车辆和行人,目前没有公开数据集能直接用来做实验,因此本文作者自己收集整理大量数据图片并做标签用于实验。在实验部分,通过优化数据集提高了检测准确率,并通过与YOLO算法的对比,总结SSD算法优势所在,最后通过分析实验结果的不足之处,提出未来改进的方向。