近年来,随着智能交通系统的大力发展,交通场景多目标识别成为汽车辅助驾驶和自动驾驶的重点研究内容。目前,常采用激光雷达技术、多传感器融合方式对交通环境进行感知。相较于上述方案高昂的设备成本,利用图像传感检测技术则可以在实际生活中广泛普及。因此,采用基于深度学习技术对交通场景多目标进行研究,针对交通场景中真实目标漏检、伪目标误检的问题进行算法研究及改进,本文研究工作如下:（1）首先对交通场景多目标识别的研究背景和意义进行剖析,确立本课题基于深度学习技术对交通场景多目标识别算法进行研究。其次通过分析国内外数据集的优缺点,决定制作XMUTTD交通场景多目标数据集用于实验研究。采集的数据集共包含188类交通参与对象,5109张尺度差异较大、极具交通场景代表性的图片,标签数目达161684个。最后对数据集中难点图片进行分析,此数据集的研究具有一定的检测难度。（2）基于XMUTTD数据集对网络模型的检测效率和检测精度进行实验对比,根据交通场景多目标识别实时性和检测精度需求,选择YOLOv3作为本课题交通场景多目标识别算法的基本框架;通过对近年来性能卓越的骨干网络分别进行实验分析,根据实验结果得出,将Res2Net作为本课题算法的最优骨干网络。（3）通过结合注意力机制模块、优化损失函数、引入SSH结构及动态卷积的替换,对网络模型进行改进,提出了一种基于YOLOv3改进的交通场景多目标检测算法YOLO-RGCS。实验结果表明,该改进算法在交通场景三大类别目标检测精度和实时性方面均有一定的提升。（4）通过现实逻辑分析对网络模型识别结果进行后处理,具体分析了混淆目标对算法识别结果的影响,并将现有算法对混淆目标检测性能进行验证,最后结合实验结果提出基于现实逻辑的行人检测和红绿灯检测后处理策略。（5）基于PyQt5框架设计并实现了基于深度学习的交通场景多目标识别系统,用户可以通过上传图片或视频文件,将交通场景目标检测效果可视化并输出结果。