交通场景感知(Traffic Scene Perception,TSP)是对路面信息的实时获取,包括三个阶段:检测感兴趣目标,感兴趣目标的检测,运动目标的跟踪。由于检测是识别和跟踪的关键,因此,目标的检测算法是TSP的关键。本文以交通环境为检测背景,基于RCNN的视觉检测方法,进行检测区域的生成和筛选过程的优化,以改善现有方法的实时性、有效性。通过检测区域优化,采用针对交通场景的数据进行模板训练,来进行目标检测。本文通过对深度学习原理的分析,研究了卷积神经网络的深度学习过程中用到的参数和函数;此外,本文在中型卷进神经网络上进行了改进,改进后的中型网络的检测速度达到17fps,在实时检测中存在优势。本文对检测区域生成算法进行了分析和改进。为了提高算法实时性,通过对比区域生成的各算法特点,结合交通环境下目标出现的范围和特点,通过进行消失点检测来进行道路区域的分析和划分,改进了检测区域生成算法,实现了有针对性的检测区域生成。实时性测试实验中,改进的检测区域生成算法在RPN的14fps基础上提高了7fps,检测帧率达到21fps,实现了对前向交通目标的高实时性检测。为了提高算法有效性,本文对检测框筛选算法进行了理论和实验分析。针对NMS检测框筛选法的原理存在的问题,以高斯得分加权的方式,改进了检测框筛选算法,改善了对被遮挡目标的检测效果。标准数据集的测试实验,验证了改进的检测框筛选算法在标准数据集上分别有1.1和1.5的mAP提升,分别达到73.2%,和70.4%。面向视觉检测算法在自动驾驶和机器人平台上的应用,进行了实验和分析。将视觉目标检测作为环境感知的重要手段,验证基于卷积神经网络的目标检测算法和改进的检测算法在车辆行驶中的感知效果;此外,搭建了移动平台,分析本文方法在移动平台的环境感知方面应用的可行性。对于严重遮挡,普通方法难以检测的目标,本文方法能以0.64的置信度检测出来,对于不完整目标,改进的检测算法能以高达0.98的置信度检测出来,对夜间和阴影下目标,算法也能以0.9以上的置信度检测,验证了本文方法有较高的鲁棒性。