在自动驾驶汽车中,环境感知对于识别周围目标物并准确确定目标物的位置至关重要。和传统的检测方法相比,深度学习算法具有更好的鲁棒性和更高的检测精度,具有广泛的应用价值。受速度和精度的影响,具有较高检测精度的两阶段算法通常推理速度较低,不能满足实时性的要求。单阶段算法通常具有更快的图像处理速度,但检测精度略低。因此,考虑到计算速度和模型尺寸,选择单阶段算法YOLOv3作为本文的目标检测器,同时从预处理和特征网络结构两方面对检测器进行重新设计,提出了FAYOLOv3模型,在缩短推理时间的前提下提高了目标物的检测准确度。对于不同场景中的目标检测任务,需要对不同场景中的数据进行采集和标注,针对跨域问题的弊端,本文搭建了一个无监督领域自适应模型Cycle GAN,以对齐训练集和测试集数据分布。它构造了一个新的合成数据集来训练目标检测器,有效地提高了本文模型的泛化性和鲁棒性,使其能够更好地处理各种复杂的场景。将FAYOLOv3模型和无监督Cycle GAN网络相结合,可以更好地解决训练集和测试集场景分布不同的问题,提高模型的跨域性能。本文共选择七个不同的数据集（BDD100K等）对模型的性能进行验证。我们设计了五种不同的跨域场景,并在上述数据集上完成了九组试验。测试结果表明,当训练集和测试集数据在一种或两种场景因素不同时,本文模型能够很好地处理跨域检测,与单阶段检测器相比,检测精度大大提升。本文提出的跨域检测方法减少了数据重采集和标注的工作量,具有精度高、速度快、鲁棒性强等优点。本文主要的研究内容如下:1.设计单阶段目标检测器FAYOLOv3。首先,充分考虑了不同类别目标物在形状上的差异后,对聚类算法公式进行了改进。在此基础上,进一步将特征层融合策略和注意力模块融合到骨干网络中。在BDD100K数据集上的试验结果表明,目标物的平均检测精度提高了5.84%,召回率提高了4.92%。2.搭建无监督领域自适应模型Cycle GAN。在构建了生成器和判别器网络后,完成了对整个循环一致性生成对抗网络的建模。同时,通过消融试验验证了生成器中三种损失函数的有效性,最后,在多个不同的数据集上进行了图像的合成和风格转换,取得了非常逼真的图像生成效果。3.基于公开数据集的跨域目标检测。将FAYOLOv3检测器和Cycle GAN网络级联训练,训练集图像是具有目标域风格的合成图,并以此来训练目标检测器,提高了模型的跨域检测精度。在设计的五种不同的跨域场景中,当检测地点、天气、时间段等一个或两个因素发生变化时,九组试验的检测精度平均提高了7.7%,试验结果充分证明了本文模型在跨域检测中的优势。