汽车保有量逐年增加,城市交通问题日益凸显,自动驾驶作为传统汽车向智能汽车转型的重要技术,得到了国家和企业的重视。交通场景下对目标的精确检测是实现自动驾驶的前提,近年来,基于深度学习的目标检测算法发展迅速,基本能完成一般交通场景下的目标检测,但是在复杂交通场景下,密集目标之间相互遮挡,小目标数量多,目标漏检情况严重,检测精度难以满足要求。为此,本文以全卷积单阶段目标检测器（Fully Convolutional One-Stage Object Detection,FCOS）作为目标检测基线算法,展开了面向自动驾驶的目标检测算法的研究,研究内容如下:（1）对于特征提取骨干网络部分,针对Res Net50骨干网络中因卷积层形状固定,导致网络不能适应目标几何变化进行研究。利用可变形卷积（Deformable Conv Nets v2,DCNv2）,对生成C4和C5层级特征图的卷积层中空间采样点增加一定的位移,让卷积层具备偏移学习的能力,用来适应物体的几何变化。（2）对于多尺度目标检测部分,针对FCOS基线算法中层级特征图的特征信息不充分交流,使用三个自底向上的路径与卷积网络固有金字塔进行融合,提出了收缩特征金字塔网格（Shrink Feature Pyramid Grids,SFPG）,在保证模型实时性的情况下,提高复杂交通场景下的目标检测精度,增强模型的鲁棒性。（3）对于检测头部分,针对单阶段目标检测器分类和定位任务中使用的特征缺乏交互性,导致预测时会存在一定程度的空间不匹配问题进行研究,利用任务对齐头提高任务间的特征交互性,拉近分类和定位的预测框,提高复杂交通场景下对密集遮挡目标的检测性能。（4）对于小目标检测部分,针对小目标因为图像分辨率小、缺乏足够的细节,导致检测精度低的问题进行研究,在目标检测推理管道中添加一个切片推理管道,对输入的检测图片进行切块处理,提高小目标数量的占比,从而提高复杂交通场景下小目标的检测精度。