在复杂多变的道路交通环境中,车辆驾驶人员的疏忽和注意力不集中就可能造成不可逆的损失。车辆行驶过程中,对周围的物体实时分类和定位是保障道路交通安全的关键环节。针对现有道路目标检测技术难以在视频图像中对多目标物体进行实时准确地分类和定位的问题,本文以目标检测引入道路多目标物体实时分类和定位的研究,所做的工作包含以下几个方面:(1)介绍了全连接网络、卷积网络、深度残差神经网络的发展过程,详细的阐述了卷积神经网络的基本构成单元(包括低维卷积、多维和多核卷积、1×1卷积核等的工作机理)以及深度神经网络特征正向传播和误差反向传播的计算过程。(2)分析了YOLOv3算法的特征提取网络组成和目标检测特征图输出网络的设计原理,并对YOLOv3算法目标物体边界框预测回归的计算过程和损失函数的设计机理进行了阐述。(3)针对道路目标物体边界框差异大的特点,在基于YOLOv3算法的基础上,设计了一种具有5个特征检测图155层的改进YOLOv3深度残差卷积神经网络构架模型,改进构架增加7×7和104×104的输出检测图分别负责检测道路交通视野中较大和较小的目标物体。网络训练的图片来自BDD100K数据集,实验结果表明,相比于YOLOv3构架,改进的多检测图YOLOv3网络在验证数据集上得到平均准确度均值为54.48%,提高了5.11个百分点的效果。(4)针对物体的距离测算方面,先后尝试了基于最小二乘法曲线拟合和基于摄像头焦距测定的物体纵向距离测算两种方法,实验结果表明后者的目标纵向距离测算的误差更小(平均误差为4.05%)。本文最后将改进YOLOv3算法的目标物体检测和距离测算相结合,修改了程序中关于输出检测物体信息的函数,程序输出了6个类别的目标物体分类、定位信息和4个类别目标物体与摄像头的纵向距离,并且视频检测速度达到29.8帧每秒,满足实时性的要求,此方法可以为自然道路交通场景下的汽车辅助驾驶提供参考。