随着工业化的发展和人民生活水平的提高,更多的人选择开车出行,与此同时也造成了堵车的现象,甚至还给道路和行人造成了很大的安全隐患,每年都因此造成大量的安全事故。车辆的检测识别测距作为车载系统中主要的辅助驾驶方式帮助驾驶员更好的驾驶车辆,同时有效的降低交通死亡事件发生的可能性。传统的车辆跟踪和测距系统大多使用了成本高昂的激光雷达等传感器设备,并且应对目标较小等不可控情况时表现不佳,本文针对以上场景实现了基于YoLoV4改进的车辆双目视觉测距算法,本文研究内容从以下几个方面展开:（1）阐明了目标检测算法与双目测距算法的相关理论,包括一阶段目标检测算法流程、测距算法实现步骤。针对智能交通场景下融合目标检测算法与双目测距算法从而进行测距的功能。深度学习算法通过摄像头检测到车辆的位置后,将车辆的坐标信息传入测距算法环节,获得前方车辆的距离,进而在驾驶过程中提供辅助信息,帮助驾驶员有效的避免了交通事故的发生。（2）针对YoLoV4算法复杂的结构和车载系统对于算法轻量化的要求,改进了目标检测主网络的结构,参数量显著降低了约79%,提升了算法的运行速度;为了提升轻量化网络对于车辆的检测精度并且针对小目标等复杂场景提出了新的注意力机制,改进后的网络结构使特征提取精度以及车辆类别的召回率都有显著的提升,有效解决了目标太小等原因导致车辆漏检、误检的问题;采用更加准确的上采样方法使图像生成更加平滑、提取图像更加的准确。本文改进算法对比轻量化后的网络在VOC数据集上平均准确值从79.1提高到81.2、车辆类别检测的准确值提升了4.06达到了92.87、推理时间降低至17.75ms、召回率同样提升了6.97%达到了85.07%,满足了智慧交通场景下对算法实时性的要求。（3）针对双目视觉匹配算法过程中出现的误匹配,采用改进的ORB匹配算法有效减少了误匹配的现象,提高了算法的运行效率,将双目相机的匹配结果进行计算得出深度信息,实现了对车辆距离的测量,推理速度降低至约83ms,通过实验证明了本文算法交通场景下能够检测车辆,提升了驾驶员的安全系数,符合智慧交通的发展愿景。