交通环境中的目标检测是辅助驾驶、自动驾驶系统中必不可少的组成部分,基于深度学习的目标检测是当前计算机视觉领域最热门的研究方向之一。本文在国家重点研发计划项目（2016YFB0101102）“电动汽车智能辅助驾驶技术研发及产业化”的资助下,研究如何通过基于神经网络的目标检测方法来实现不论何种工况下,均能够利用车载相机检测出动态目标的位置和类别信息。针对基于神经网络的交通环境目标检测方法展开研究,为平衡目标检测方法的实时性和准确性,从数据集获取及处理、网络结构搭建及优化、损失函数、训练方案设计等多角度对当前最热门的目标检测算法YOLOv3做出了改进,并与其他主流的目标检测算法进行了对比。本文完成的工作如下:第一,为尽可能满足深度学习神经网络训练时对数据量的要求,本文采用COCO数据集训练网络模型,样本数据输入训练之前采用随机裁剪、填充、翻转、旋转、混合等多种数据增强方法,将原数据量扩充为3～5倍,并相应调整真实标注信息。调整后的标注信息使用k-means算法分为9类,取每一簇的聚类中心,得到本文所需的锚框anchor,用于后续的网络训练。第二,针对YOLOv3算法特征提取网络的缺点,本文设计了改进的DB-Net网络,主要的改进为特征重用的层连接方式,为了进一步预防网络在训练过程出现梯度爆炸、梯度消失现象,加入模块残差结构。同时,为了提高网络的运行效率,灵活加入1*1核尺寸的卷积层用于数据降维和还原,并采用深度可分离卷积替换普通卷积。本文发现YOLOv3对于目标尺寸超过图片宽高百分之五十或者目标尺寸占原图比小于百分之七时的检测结果不够理想,因此本文利用空间金字塔池化搭建了感受野变化模块,增强预测器对目标尺寸的探测范围,达到提升检测率的效果。第三,YOLOv3中将目标的中心坐标和边界框宽高分开并采用不同的损失函数原型进行训练的方式,使得目标信息的关联性较差,并且平方差损失函数对尺度不敏感,在一定程度上会影响检测性能。针对以上问题本文使用CIOU损失函数计算定位信息计算,并且为了改善难检样本问题,本文采用Focal loss作为置信度损失函数。最后,本文基于Windows10、Python3.6、Tensorflow、Keras开发环境,对设计的DB-Net性能改进进行实验研究,与主流的网络结构Res Net、Darknet-53进行了对比实验分析,并替换不同的损失函数,复现多种目标检测算法验证了本文方法的优越性,另外,本文还测试了多种复杂工况的检测效果,验证了本文方法的鲁棒性。