自动驾驶目标检测技术的重点在于系统对外界环境的感知,在实际情况中,自动驾驶的车外环境是复杂多变的,车外环境对自动驾驶感知外界环境存在很大的影响,且还存在大量的难分负样本,如指示牌、路灯、垃圾桶等,如何在复杂多变的环境下最大化地提高目标检测精度是目前自动驾驶目标检测技术面临的重要问题。为了提高目标检测精度,本文使用目标检测分割的经典算法Mask R-CNN,并且使用了专用于自动驾驶目标检测的数据集BDD100k进行训练、测试。通过在其算法的基础上将浅层特征图与高层特征图相融合来对算法进行优化,最终达到提高Mask R-CNN算法在目标识别的精确度。主要工作如下:1.研究了Mask R-CNN算法,并且使用PASCAL VOC2007和COCO数据集对Mask R-CNN进行训练测试,通过对比实验验证了Mask R-CNN的优越性。2.为了在检测精度和速度之间做权衡,通过改变ResNet网络层数,在时间允许的情况下,选择适合的网络层数进行训练。3.将Mask R-CNN算法运用到BDD100k数据集进行训练测试,实验结果表明Mask R-CNN算法的检测精度高于Faster R-CNN,检测平均精度mAP提高了0.81%。。4.由于现实环境实时变化,且行人、交通标志等的目标尺寸较小或天气等原因造成拍摄图片不理想会对自动驾驶目标检测效果产生影响。所以提出一种基于浅层特征与高层特征融合的方法(Improved Mask R-CNN,IMask R-CNN),并在BDD100k数据集上训练、测试。其mAP为34.47%,相较于Mask R-CNN算法,目标检测的平均精度提高了0.86%。5.通过更改特征融合方式,将原来的“element-sum”融合方法改为基于通道相加的“concat”方法,记为IcMask R-CNN,经过在数据集PASCAL VOC2007训练测试,其精度有所提高。将其运用到BDD100k数据集上进行训练测试,发现其精度相较于IMask R-CNN的mAP提高了0.12%。