随着人工智能、视觉计算等重要技术的不断发展,自动驾驶逐渐成为提高车辆综合性能的发展大趋势。车辆检测具有监控道路交通情况、实时获取路面信息等功能,已经成为自动驾驶中至关重要的一部分。然而,实际交通道路的场景多样性、车载图像采集设备的角度多变性,使得车辆之间的相互遮挡成为必然现象,导致常规车辆目标与遮挡车辆目标之间表现出分类不平衡的特点,而传统检测算法在应用于遮挡场景的车辆检测时更易产生漏检、误检的问题。因此研究遮挡场景下的车辆检测模型,提升综合检测性能,在保证自动驾驶系统的安全运行的问题上具有实质性意义。本文以车载摄像头采集的车辆图像数据作为研究对象,建立面向不平衡数据的遮挡车辆检测模型。主要研究内容如下:（1）基于深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Networks,DCGAN）的不平衡数据图像增强方法研究。针对遮挡场景中车辆图像不足的问题,在数据层面研究了遮挡车辆图像的数据增强方法。首先,对数据集进行车辆图像预处理,利用DCGAN在图像生成方面的优势,对具有遮挡情况的车辆图像进行数据扩充;其次,使用多种传统图像增强方法提高数据样本数量,并对增强后的车辆图像进行质量评估;最后,将生成的图像与公开数据集中的部分车辆图像结合,共同构建成本文实验所用的数据集。（2）基于改进密集框选取策略的遮挡车辆检测方法研究。针对传统车辆检测方法中遮挡场景车辆目标的漏检与误检等问题,提出一种改进的冗余密集框处理方法。该方法由两部分组成,一部分是通过分析传统非极大值抑制（NonMaximum Suppression,NMS）在进行冗余框后处理时的实现细节,发现其在处理遮挡问题时的不足,并通过软化非极大值抑制（Soft Non-Maximum Suppression,Soft-NMS）进行优化;另一部分是将检测模型的损失函数改进成适用于遮挡场景目标检测的Repulsion损失函数。同时,为了减弱不平衡图像分类对检测模型造成的性能影响,利用图像增强后的遮挡车辆数据训练检测模型。通过实验结果对比表明,提出的方法相较于未经图像增强的传统检测方法,具有更高的检测精确率。（3）基于迁移学习与少样本检测器（Low Shot Transfer Detector,LSTD）的遮挡车辆检测方法研究。考虑到模型的训练过程中,遮挡场景下的图像分类具有突出的不平衡性,同时遮挡场景的图像增强在数据多样性方面存在限制,提出一种以迁移学习为理论基础,基于LSTD的遮挡目标检测方法。该方法融合了单发多框检测器（Single Shot Multi Box Detector,SSD）与Faster R-CNN在目标检测任务中的方法优势,结合背景抑制与知识迁移正则化方法,以无遮挡场景的车辆图像训练检测预模型并将其迁移到遮挡场景下,实现在数据分类不平衡情况下遮挡车辆检测模型的综合性能提升。实验结果表明,提出的方法在保证了遮挡场景下车辆目标检测精确率的同时,提高了检测模型的训练速度。