近年来,自动驾驶成为计算机视觉、自动化、机械等众多领域的研究热点。实现自动驾驶的前提是道路目标的准确检测与定位。当前已有道路交通目标检测的研究,但存在小目标检测精度低、算法检测实时性不高以及算法的复杂度高三个难点。为此,本文基于You Only Look Once（YOLO）目标检测算法,以道路目标为对象展开面向自动驾驶的目标检测研究。主要研究内容如下:（1）针对多尺度道路交通场景中小目标检测精度低的问题,研究道路目标的多尺度检测算法。算法的主干网络由注意力残差单元和卷积层组成,提取深层次小目标语义特征信息;特征融合网络添加特征增强模块拼接特征图,获取丰富融合信息;检测网络增加128（?）128尺度构造多尺度检测,挖掘不同尺度信息。同时,算法引入GIo U和Focal函数设计损失函数,加快收敛速率。在BDD100K和VOC2012数据集上实验,改进算法的m AP值增加了9.2%和4.0%,小目标的m AP值增加了2.3%和3.2%,对多尺度目标检测效果良好。（2）针对密集道路交通场景中算法检测实时性不高的问题,研究道路目标的高实时性检测算法。算法的主干网络为嵌入注意力模块的Mobile Netv2＿SE轻量型网络,减少算法的参数量;特征融合网络添加特征融合模块,增大特征提取感受野,空洞卷积的并行采样加快运算速度。在此基础上,算法引入标签平滑方式训练,防止过拟合,提高应用性。在KITTI和VOC07+12数据集上实验,改进算法的实时性是原YOLOv4算法的1.5倍和2倍,并且保持了相近的检测精度,实现了检测速度的加倍。（3）针对常规道路交通场景中目标检测算法复杂度高的问题,研究道路目标的超轻量检测算法。算法的主干网络摘除Focus模块,由Ghost模块和注意力模块交替构造,大幅度降低算法的参数量和计算量。算法将Io U＿NMS修改为DIo U＿NMS,引入标签平滑方式,提高检测精度。此外,算法利用Mosaic与Mixup数据增强方法,丰富检测背景。通过道路数据构建PPG数据集,样本数量为1085幅图像,按照8:2的比例随机划分训练集与测试集,对改进算法进行验证。改进算法仅包含2.6（?）10~6的参数量并且GFLOPs为5.1,实现了算法的超轻量化。围绕面向自动驾驶的道路交通目标检测研究,本文工作的突破点在于:（1）基于YOLOv3算法研究道路目标的多尺度检测算法,实现了不同尺度目标检测精度的提升。（2）基于YOLOv4算法研究道路目标的高实时性检测算法,实现了算法检测速度的加倍。（3）基于YOLOv5s算法研究道路目标的超轻量检测算法,实现了算法的超轻量化。