近些年,深度学习技术发展日新月异,基于深度学习的目标检测算法得到了飞速的进展,被广泛应用在智能交通等领域,本文主要研究智能交通系统中的车辆行人目标检测。在实际的应用场景中,车辆行人检测常常受到目标物体的尺寸大小、目标的遮挡以及环境等因素影响,出现检测精度不高等问题,因此为了提升智能交通系统的检测效果,研究车辆行人检测算法具有十分重要的意义。针对基于深度学习的车辆行人检测算法所存在的问题,本文提出了相应的解决方案,主要研究内容如下:（1）本文提出了一种基于聚类思想的特征融合模型。本文优化了SSD算法的网络结构,采用CBAM模块作为注意力机制模块,将CBAM模块添加到检测层,提升了目标检测和分类的精度,并且减少了算法的开销和参数量。通过加入特征融合模块,将语义信息丰富的特征图和细节丰富的特征图进行融合,提升了特征图的信息表达能力,从而提高了模型对小目标物体的检测能力。（2）在设置网络参数时,采用k-means++聚类算法对网络的锚点参数进行设置,并采用候选框和真实框的交并比（即IOU）作为度量标准,避免了受候选框的尺寸等无关因素对算法的影响,从而提高了网络模型的训练速度和定位的精度。通过实验验证了基于聚类的锚点参数设置方法的有效性。（3）针对改进后的SSD算法存在的遮挡和类别不平衡等问题,本文分别从损失函数和非极大抑制算法两个方面进行优化。首先在模型训练过程中,提高了困难样本在损失函数中的比重,以便让模型更加关注困难样本,从而提高了对困难样本的检测能力。其次改进了非极大值抑制算法,使用soft-NMS算法处理重叠的目标,降低了目标周围候选框被抑制的概率,从而提升了算法对遮挡目标的检测能力,提高了模型的准确率和召回率。实验结果表明优化后的目标检测算法在准确度上得到了提高。