随着深度学习的发展,自动驾驶技术受到工业界和学术界广泛关注。当前的自动驾驶技术主要采用激光雷达进行目标感知,激光雷达不仅成本高昂,而且对于交通信号灯、交通标志等这一类具有具体语义的目标难以判别。因此,采用基于计算机视觉的方法对于解决跨视角下的信号灯检测问题具有重要意义。本文聚焦于真实街道场景中的交通信号灯检测与感知问题进行了研究,并针对跨视角信号灯检测中遇到的极小目标检测问题、不同域信号灯之间域自适应问题以及实际场景中的应用部署问题提出了自己的解决方案。取得的主要研究成果包括:(1)提出了一种基于注意力机制的双路回归交通信号灯检测方法。通过在网络中引入注意力模块,增大了特征图感兴趣区域的权重,并且设计了一个双分支的回归网络,融合了交通灯和交通灯框的检测结果,从而解决了交通信号灯这一极小目标难以检测的问题。在VIVA交通灯数据集上的实验表明,所提的方法明显优于现有的通用目标检测方法,m AP达到了51.14%。(2)提出了一种面向跨视角信号灯的域自适应目标检测方法。通过在原有的目标检测框架的基础上引入域自适应模块,采用对抗训练的方式使信号灯检测模型能够适应目标域的数据分布,从而解决了不同视角下的跨域数据分布不同所造成的检测效果下降的问题。在不使用任何附加的目标域标注数据的情况下,可以为目标域训练一个比较鲁棒的目标检测器。在VIVA和LARA两个不同场景下的交通信号灯数据集上进行的实验表明,所提方法的性能明显优于通用的目标检测方法。(3)提出了一种基于广义交并比(Generalized Intersection over Union,GIOU)损失函数的轻量级目标检测方法。通过通道剪枝策略对特征提取网络进行压缩,并且在训练阶段引入了GIOU损失函数,同时在后处理阶段引入平滑的非极大值抑制(Soft Non Maximum Suppression,Soft NMS),使网络在精度几乎无损的同时计算量大幅降低,从而解决了实际应用中存在的网络计算量很大、训练模型在嵌入式端难以部署的问题。在VIVA交通灯数据集和私有的行人车辆数据集上的实验表明,在网络模型FLOPs减少了两倍的情况下,m AP仍然保持竞争力。