交通智能化已成为一种趋势,自动驾驶作为智慧交通的重要一环和加速汽车行业发展的重要技术,得到了国家越来越多的重视和支持。车载摄像头采集到的道路影像辅以目标检测技术,能够为辅助驾驶系统提供必不可少的视觉感知,交通环境中的道路目标检测有着重要的研究意义。如今目标检测技术快速发展,常规道路场景下的检测已不成问题,但在一些复杂的交通场景中,目标存在密集、遮挡以及目标尺寸差距较大的情况,容易出现严重漏检,检测精度无法满足设计要求。与此同时,辅助驾驶系统对于视觉感知有较高的实时性需求,而车载设备的算力限制成为了实时检测的阻力,如何在不牺牲过多检测精度的情况下,减小模型体量、提升检测速度,也是一个需要解决的技术难题。本文针对上述问题,围绕基于深度学习的道路目标检测方法进行了研究,本文主要的工作如下:（1）针对当前目标检测中对小目标和相互遮挡而产生的目标物体图像特征不充分、不完善的问题,提出了一种ABi-YOLOv5改进算法。首先使用K-median++聚类算法对数据集作出分析,得到合适的先验框,提高网络的定位能力;其次,为了优化特征融合效果,尤其是对小目标的特征提取效果,提出YOLO-Bi FPN特征融合模块,通过增加P2特征层和跳跃连接,加强特征的表征能力;然后,在最高和最低层的特征融合路径中引入CBAM注意力机制,对通道和空间两个维度的语义关系进行建模,进一步增强深层特征的表征能力;最后在输出端做出改进,使用带有宽高惩罚项的EIo U Loss作为边界框损失函数,能够快速向目标位置收敛,使用DIo U替换Io U作为传统NMS算法中的判断因子,减少在目标密集和遮挡的场景下由于过度杀框导致的漏检情况。通过在KITTI数据集上的对比实验,证明改进后的ABi-YOLOv5算法在几乎不损失检测实时性的情况下,提升了检测精度,尤其是对小目标的检测精度。（2）针对当前道路目标检测对实时性要求较高的问题,本文在ABi-YOLOv5算法的基础上,提出了一种基于Ghost Net的Tiny ABi-YOLOv5轻量化算法。首先,通过Ghost模块对骨干网络做出优化,搭建更轻量的特征提取网络,利用线性映射生成大量特征图的方法降低了参数量和计算量;其次,在特征融合模块中,采用基于SVD策略的深度可分离卷积替换普通卷积,通过奇异值分解原理对卷积核分解降维。通过对比实验验证,改进后的Tiny ABi-YOLOv5与ABi-YOLOv5相比,在维持精度几乎不变的情况下大大减少了网络参数量,每秒处理帧数也有所提升。