得益于计算设备、信息技术和人工智能的迅猛发展,无人驾驶受到工业界和学术界的广泛关注,其集成了环境感知、定位导航、规划控制等多领域学科的最新研究成果。从2004年DARPA挑战赛之后开始的无人驾驶系统,与上世纪的无人驾驶系统最大的区别在于,今天的无人驾驶系统脱离了对辅助设施的必须依赖,研究的重点更加倾向于如何让车辆独立地理解这个世界,并以此为依据来对车辆进行控制。可以说,无人驾驶汽车对世界感知、理解的程度,决定了该无人驾驶系统先进的程度。环境感知主要负责计算车辆周围物体的语义信息,该模块负责许多信息的获取,包括前车的距离、前方红绿灯的指示、限速标志上的数字、车道线的曲率等,而基于视觉的目标检测则是智能车辆环境感知的重要组成部分。因此,设计有效的目标检测算法对于智能车辆获取周围环境信息尤为重要。本文将从多个方面分析目标检测算法YOLO模型,针对其中存在的一些不足,结合其他模型中的可取之处加以改进,并针对目标检测算法在实际交通场景应用时的特殊性,提出基于条件随机场的关联模型,从而提高算法精度。论文主要工作如下:1.深入探讨了图像识别、目标检测的研究进展情况,总结分析了目标检测的基础理论与相关技术,包括卷积神经网络、YOLO模型、IOU以及NMS等。2.针对YOLO模型中存在的问题,结合其他模型中的可取之处提出改进方案。将原网络中的第三、四层用Inception结构代替,并在原网络的全连接层前面加入空间金字塔池化层,使得在加宽加深的同时减少网络参数,也进一步利于提取不同尺度的特征。然后,在PASCAL VOC 2007数据集上进行对比实验,对比分析改进模型的有效性。3.针对目标检测算法在实际交通场景应用时的特殊性,即车载目标检测是建立在连续视频图像上的,目标不会突然出现或消失,提出基于条件随机场的关联模型。通过关联目标在视频图像序列中的历史检测数据来提高目标检测的精度,并在KITTI数据集上进行对比实验,对比分析关联模型的有效性。