机器视觉技术作为车联网中智能驾驶系统环境感知的核心技术之一,主要负责识别车辆前方的障碍物并获取其空间位置信息,准确高效的远距离目标检测与定位算法对于车辆碰撞预警及维护道路交通安全等均具有重要意义。因此本文针对当前视觉算法在远距离目标检测与定位任务中测量误差较大的问题,提出了基于YOLOv5s和变焦双目视觉系统的目标检测与定位算法,可有效提升算法测量精度,扩大算法测距范围。目标检测算法的识别精度尤其是其对远处小目标的检测精度会大幅影响目标的测距精度。因此本文针对YOLOv5s算法检测精度低、对小目标检测效果差等问题提出了三种算法优化策略。首先在网络的Head层增加一个4倍下采样的检测头,用于微小目标的检测;其次用基于BiFPN的四层加权双向特征金字塔优化网络的Neck层,使网络融合更多浅层特征,增强特征图的表达能力;最后用基于CBAM注意力机制构造的卷积注意力模块优化算法的Backbone,将其嵌入主干网络的深层结构中,增强网络的抗干扰能力,提升算法对重要特征的关注度。实验结果表明,相较于YOLOv5s原始网络,改进后的YOLOv5s-PBC算法在BDD100k数据集上的P、R和mAP@0.5分别提高了8%、1.3%和4.9%,其中小目标的检测精度提升最为明显,提高了10.9%。目前多数双目视差测距算法均为固定焦距的光学系统,测距范围相对较小,导致其在测量远处物体时精度不足。故本文基于平面-空间算法引入变焦功能,提出变焦-平面-空间算法,并根据光学成像原理建立变焦图像传感器成像模型。通过对算法几何模型的相似变换得出变焦双目视觉系统的模板匹配压缩算法,利用压缩因子可计算出左方图像传感器变焦前后输入坐标的匹配关系,实现利用变焦后的二维坐标计算目标点的三维空间信息,扩大了算法的测距范围,提高了算法在远距离测距时的测量精度。仿真数据表明,当目标点的横纵坐标以0.1为步长移动100步时,变焦-平面-空间算法的测量误差大约在0.04 m左右,相对平面-空间算法的测量误差降低了约94%,大幅提升了算法对远距离目标的检测与定位精度。