随着人工智能技术的迅速发展,基于深度学习的目标检测方法被广泛的应用于自动驾驶领域,为自动驾驶汽车提供了良好的安全保障,车辆作为城市道路中最为常见的交通目标,是自动驾驶汽车需要重点感知的对象。然而,随着城市道路交通的日益复杂,通用场景的车辆检测方法已经难以应付各种复杂场景下的车辆检测需求,照度低、光源种类复杂的夜间场景,远距离车辆居多的小目标场景,车辆密集交错排列的遮挡场景都易导致目标检测器出现漏检、误检及重复检测等问题,因此需要能够克服复杂场景下车辆检测问题的针对性方法,以进一步提升自动驾驶汽车的可靠性。鉴于此,本文针对城市道路典型复杂场景中的夜间车辆、小目标车辆以及遮挡车辆问题进行深入研究,主要研究内容如下:（1）针对夜间车辆因光照变化导致细节特征信息呈现差等问题,提出了一种适用于城市道路夜间行车场景的车辆检测方法（NV-YOLO）。通过Zero-DCE低照度图像增强算法提高夜间车辆图像辨识度,以便目标检测器进行充分的学习和检测;在网络特征提取部分引入类似Rep VGG的多分支卷积结构和结构重参数化方法,以提升夜间车辆特征提取能力。在本文制作的夜间车辆数据集（NightVehicle）上的一系列实验结果表明,NV-YOLO算法在维持38 frames/s检测速率的同时,取得了82.8%的m AP。（2）针对小目标车辆特征信息匮乏等问题,提出了一种适用于城市郊区行车场景的小目标车辆检测方法（SOV-YOLO）。在网络特征融合过程中采用动态加权特征融合方法,强化了对小目标车辆检测任务更有利的浅层几何细节特征在特征融合过程中所占的比重;通过改进多尺度检测网络,增加一个用于小尺度车辆检测的检测头,提升了目标检测器对小目标车辆的判别和定位能力。本文方法在KITTI道路目标检测公开数据集上进行了一系列有效性实验,实验结果表明,该方法在牺牲6 frames/s推理速度的情况下,获得了98.3%的m AP。（3）针对待检车辆局部特征信息受到遮挡干扰等问题,提出了一种适用于城市跟车场景的遮挡车辆检测方法（OV-YOLO）。通过基于多尺度分组卷积的多尺度特征提取方法来捕获多个尺度下的不同特征信息,改善了卷积核大小过于单一对模型特征提取能力的消极影响;通过并行连接的混合域注意力机制在模型训练过程中生成了可靠的注意力权重,以此强化被遮挡车辆的特征信息,弱化不相关遮挡物的噪声信息干扰;结合混合域注意力机制与多尺度特征提取方法,形成了多尺度分割注意力单元,在训练阶段使目标检测器更具指向性的对遮挡车辆特征进行学习。OV-YOLO方法在制作的遮挡车辆数据集（Occlusion-Vehicle）上进行了评估,实验结果发现,该方法的m AP相比于基准算法提升了1.5%,并以35frames/s检测速率满足了实时检测的需求。