随着现代计算机技术的不断进步,许多新兴的研究课题被不断的发掘,在这个过程之中,计算机视觉领域中目标检测相的研究,一直以来都是最为热门的研究课题。无论是在自动驾驶,还是在人机交互系统中,目标检测都充当着重要的角色,尤其是近些年来,各色视频媒体内容的崛起,以及社交网络的迅猛发展,让人们有更多的机会接触到形形色色的图像,视频等内容,都使得发展目标检测领域的课题成为了必然的选择。目标检测任务一般分为两个部分:一是在待检测图像中对需要检测的目标进行定位以及对位置的精确回归,二是对定位好的目标进行类别划分。传统目标检测领域的算法,会使用滑动窗对图像进行目标区域选择,然后提取区域特征,例如基于HOG特征的行人检测模型,利用SVM分类器进行分类,这类算法不仅精确度不高,而且检测速度较慢。在2006年之后,目标检测研究者们逐渐将目光聚焦到了深度学习领域,例如YOLO系列检测模型以及Fast RCNN系列检测模型,自此之后,目标检测领域得到了飞跃式的发展。虽然目前目标检测技术已经十分成熟,但无论是传统检测模型还是深度学习检测模型,模型的输入图像的质量对于模型的检测效果都有着至关重要的影响,对于一些特殊场景下的检测任务,现有的模型表现十分差强人意,例如在图中存在雨天、雾天或者夜晚等干扰信息比较多的图像中,利用现有的深度学习领域模型进行检测时,检测效果往往达不到研究者的期望值。为了解决这一方面的问题,本论文主要针对特殊场景下道路目标的检测,改进了现有的Faster RCNN模型,主要进行了以下三个方面的研究工作:(1)本论文提出了自适应系数的特征融合模型,通过对特征提取过程中不同阶段的特征图添加自适应系数后进行融合,从而获得包含信息更加丰富、全面的特征图,来解决在特征提取过程中的关键信息丢失过多的问题;(2)在候选区域的选取过程中使用多个二分类器进行级联,以此筛选出更高质量的候选框来进行后续分类、回归模型的训练,使得能够训练出性能更好、精度更高的检测模型;(3)提出利用待检测目标周围的局部上下文信息以及目标自身上下文信息来对分类任务进行辅助,将二者进行联合应用,解决检测任务中小目标检测以及遮挡类目标检测存在的问题,进一步提高模型分类模型的精确性。最后,对于本论文提出的目标检测模型在BDD100K公开自动驾驶数据集上进行了大量的对比试验,实验结果证明,在干扰信息较多的模糊场景下本论文提出的模型能够获得更好的检测效果。