车辆检测是计算机视觉领域的热门研究课题,同时也是完善智能交通系统不可或缺的部分。传统机器学习方法采用人工设计的目标特征,在复杂的应用环境中,算法鲁棒性低、泛化能力弱。而卷积神经网络能自主学习目标特征,面对复杂多变的环境依然能保证高准确率,因此应用卷积神经网络方法进行车辆检测受到了广泛的研究,同时也具有重大意义。本文的研究内容有:(1)分析了采用传统机器学习方法和卷积神经网络方法的目标检测算法,随后重点研究了在目标检测中具有重要地位的Faster-Rcnn网络的检测原理;(2)通过分析常用卷积神经网络参数量,提出采用参数量更少的残差结构或者Inception结构代替VGG16网络。(3)卷积神经网络深度不断加深,使得特征图像尺寸减少,最终导致目标特征损失严重,进而出现目标漏检的情况,而浅层语义信息包含丰富的目标位置信息。提出采用特征融合和多尺度预测的方法来解决该问题。(4)卷积神经网络训练时间长同时收敛缓慢,为了缩短训练时间,对车辆数据集中的样本采用K-Means算法聚类重新生成适用于车辆的锚点尺寸。通过将改进后的Faster-Rcnn网络在KITTI数据集上进行实验,结果表明:(1)采用参数量更少的网络结构,模型的检测时间有所减少,同时提高了数据集中简单样本的检测准确率;(2)采用特征融合与多尺度预测方法后,车辆检测的准确率相比原始网络有了较大幅度提高。特别是在采用特征融合和多尺度预测结合的方法后,对于KITTI数据集中的简单样本、中等复杂样本和复杂样本的准确率分别提高了6.25%、9.3%、10.91%。这一结果说明对于有遮挡或者小目标而言,特征融合与多尺度预测方法能有效地提高准确率。(3)重新设置锚点尺寸后虽没有提高模型准确率,但使得模型在训练时收敛速度更快。