多年以来,在计算机视觉的研究历程中,对目标检测算法进行讨论和探索的过程一直不断地进行着,目标检测也渐渐地成为了深度学习中最重要的研究课题之一。从国内外的研究现状可以看出,目标检测的应用领域十分的广泛,比如对行人、车辆、道路指示标志的检测;对蔬菜的品种,水果的品质的检测;对工业机械中的设备零件存在的缺陷的检测。目标检测已慢慢地应用于生活的各个方面,然而,目前研究出来的各种目标检测算法都存在或多或少的提升空间。首先,检测的精度和速度作为目标检测算法中最重要的两个评价指标,在实际设计过程中却难以达到最理想的平衡。我们在深入分析目前较为主流的目标检测算法的基础上,对yolov3算法和yolov4算法在行人和车辆检测方面的应用进行研究。主要研究工作如下:（1）针对yolov3在交通场景中对小目标车辆检测能力不足的问题,我们对yolov3网络模型的结构进行了改进,将模型中的5个DBL组件替换成2个残差结构和1个DBL组件,增强模型对小目标物体的特征检测能力;优化yolov3的损失函数,改进了宽高损失函数和目标中心坐标损失函数,采用归一化的方法提高模型对小尺度目标的中心坐标的关注度;最后,使用双立方插值法统一输入图像的尺度,对图像数据进行了增强,并且让图像保持了较高的分辨率。我们在KITTI和Pascal VOC 2007数据集上验证新模型的效果,新模型的m AP达到90.85%,对小目标进行检测的能力有了很大的提升。（2）此外,我们也研究和改进了yolov4模型。首先,将深度可分离卷积结构加入到yolov4的骨干网络中,大幅度减少模型的网络参数,降低训练的成本,提高训练速度;然后,使用swish激活函数替换yolov4骨干网络中的mish激活函数,在模型中加入非线性因素;我们保留了yolov4的SPP结构和PANet结构,SPP结构可以更有效的增加主要特征的接收范围,PANet结构可以对特征信息进行更紧密的融合。新模型较为有效的解决了yolov4在复杂环境中的漏检问题,同时模型的检测精度和检测速度也得到了提高。我们在yolo系列算法上作出了一系列的改进措施,并且在大型数据集和实际应用场景中进行验证,改进后的算法模型有很好的检测效果。