随着雷达、全球定位系统、边缘计算、5G等技术的应用,自动驾驶也正以一种势如破竹的态势在发展。目标检测技术作为自动驾驶技术的核心支撑,通过与这些技术结合,从各种先进的摄像头等监控设备收集当前路况信息,可以快速又准确地获取目标信息和周边交通状况,进一步实现车辆的规划路径行驶、安全驾驶等功能。本文结合最新研究热点和多目标检测难点,对两阶段目标检测网络进行深入研究和改进,从而更好地提高复杂交通场景多目标的检测性能,构建一个实时高效的交通监管系统。（1）为了解决小目标漏检的问题,基于“两阶段”检测识别网络当中的Mask R-CNN网络,提出了一种两步检测模型。这个模型由优化的CNN对小目标进行一个候选框提取,然后结合结果输入到现有的Mask R-CNN网络当中对多个目标进行充分定位、分类和分割,完成了多个目标的检测,基于该方法进行实验,通过分析检测准确率,发现这个方法在性能上有很大的提升。（2）为了更好地提取多尺度目标的特征,对特征提取网络当中的FPN进行优化,将特征再经过一条由下到上的路径进行处理,然后将特征进行融合得到结果,作为下一步Mask RCNN的分类网络的输入。位于低层的定位特征信息和高层的语义特征信息逐级结合,实现了多个层次特征提取的完整性,从而提高检测精度。对该方法进行实验,发现对小尺度目标改进较大。（3）在仿真结果基础上,提出了基于多目标检测算法的智能交通检测管理系统的设计方案,延伸其中的功能,主要包括融合图像预处理、进行模型学习训练、图像检测分析和交通监测管理平台预警。将各种功能进行结合使用,在智慧交通联动下实现如何及时准确地将实际交通信息反馈并进行处理,下一步在智慧交通、无人驾驶情境下进行管控,减少算法运行占用内存并提高其运行速度。