近年来,道路中行人车辆混合目标检测方法,作为智能交通系统建设中关键一环,受到国内外研究学者的广泛关注。智能交通中涉及的目标检测任务主要表现为使用道路摄像设备以一定时间频率捕获行人、车辆等多种混合目标在当前路段的位置信息。实际道路场景下背景复杂多变,行人车辆姿态各异,目标尺度分布范围极其广泛,因此针对此场景中混合目标进行检测存在很多难题。同时,现有的经典目标检测算法大多基于深度学习,但此类方法计算复杂度一般较高。因此,在道路场景中研究高效可靠的混合目标检测算法具有极大的挑战。针对以上问题,本文设计并实现了能够针对真实道路场景进行混合多目标检测,且准确率和速度较以往检测算法有所提升的智能交通人车混合目标检测方法。具体工作如下:1)针对真实道路场景中目标的尺度分布,优化原始候选框尺度比例大小。这样,在候选框经多层网络进行非线性操作时,可以更容易回归到目标本身。2)为进一步解决混合目标多尺度分布的难题,本论文利用多个大小不同的感受野区域来适应性匹配目标的不同个尺度,从网络结构上对卷积层进行拼接,从而识别尺度大小不一的多个行人车辆混合目标。3)针对混合目标检测算法中计算复杂度高的问题,本论文使用具有强非线性表达能力的若干小卷积核层替代部分全连接层。从而既可以大量减少网络连接参数,又不损失网络的非线性表达能力,对于速度的提升及显存资源的消耗有极大的改善。本文以共享的卷积特征为出发点,研究感受野区域以及候选框尺度对于多尺度目标检测的适应性问题,进而解决在真实道路场景下对混合目标的检测问题。使用上述优化方法,我们在道路场景中取得了不错的效果。经过某市高速路段的现场长时间测试后,相较于改进前的目标检测算法,设备检测准确度提升了7.79%,检测速度提升了 10FPS,测试显存降低了 2245M。充分证明本文所设计的针对具体路段的目标检测方法可满足实际应用中对准确性、稳定性的要求。