智能交通系统(ITS)是解决目前经济发展所带来的交通问题的理想方案,实时、精确的车辆目标检测是智能交通系统中不可缺少的功能。但交通场景下的车辆目标检测易受到外观差异、成像尺度差异、部分遮挡、天气状况、相机拍摄角度以及采集图像数据量大、运算复杂度高等因素的影响,导致现有车辆目标检测方法的实时性、准确性和鲁棒性都得不到满足。为了解决以上问题,本文基于深度学习(Deep Learning)技术,在目标检测模型YOLOv3的基础上进行改进。首先精简骨干网络减小计算量;然后设计合适的多尺度检测策略;最后完善预测框筛选机制,在处理交通环境下车辆目标检测时取得了较为理想的检测结果,主要研究内容如下:(1)为了防止参数数量、计算量过大导致车辆目标检测模型运行速度过慢、实时性较差问题,本文通过提出一种梭形残差结构,该结构相比普通的残差结构具有更小的模型大小、更低的计算量,却同时能保持模型检测精度。利用梭形残差结构的合理堆叠构造了新的特征提取网络,达到了在保持精度的前提下加快运算速度、减小浮点计算量的目的。(2)针对车辆目标检测中因尺度变化大造成的检测精度降低,以及因尺度过小而造成车辆漏检问题。本文通过构造多级多层特征金字塔结构提出了一种适合交通场景车辆目标检测的多尺度检测策略。提高了车辆目标检测模型对尺度变化的适应性,解决了由于车辆尺度过小而发生漏检的问题。(3)针对车辆拥堵甚至重叠时导致的车辆漏检问题,本文提出使用Soft-NMS代替NMS对预测框筛选,Soft-NMS不会对重叠的预测框直接删除而是再给予一次与其他检测框相比较的机会。使用该方法大大降低了车辆因重叠而产生车辆漏检的概率。在不同的数据集下将本文算法与现有的车辆目标检测算法做对比,实验结果表明,本文所提算法具有尺度变化适应性强、小目标车辆检测精度高且算法速度较快的优点,证明了本文算法在处理交通环境下车辆目标检测时取得了更为理想的检测结果。