红外成像是一种新兴的且应用前景广的技术,它是根据物体会辐射红外线然后利用成像设备计算物体与背景之间的温度差值来形成红外图像,在工业生产、军事领域、医学研究等方向具有广泛应用。相比较传统的可见光反射成像,其优势在于对夜间等环境可见光强度不足的情况下,也具有良好的成像效果。随着经济与城市道路的发展,私家车数量剧增,在夜间行车,因光线不足而导致事故频发,红外技术能够有效地解决此问题,近年来车载红外设备应用越来越多。如何在车辆行驶中实时检测车辆周围的物体尤其是车辆和行人,并及时对检测到的数据进行处理成为研究重点。本文针对红外图像中车辆与行人检测识别率低等问题,研究了基于深度学习的检测算法,对YOLOV4-Tiny与YOLOV3两种深度学习的算法进行改进,并进行实验数据对比。为使网络模型具有良好的性能,选用红外图片10000张,并使用标注工具进行标注,建新的数据集,为增强模型检测效果,使用聚类的算法重新计算锚框点,把普通的极大值抑制改进为柔性非极大抑制来提高当物体重叠时检测的准确率。在轻量化网络YOLOV4-Tiny中为提高网络对红外视频图像中的小目标检测的准确率,进行网络的结构改造,加入注意力机制,使网络对小目标物体有更好的检测效果,使用深度可分离卷积来代替普通的卷积层,从而减少网络模型参数,降低模型大小。对于网络模型较大的YOLOV3算法则采取替换主干网络方式,即使用Efficientnet代替原有的Dark Net-53,从而降低网络模型的大小,防止过拟合的发生,在训练时采取皆多尺度训练,提高网络的鲁棒性,使网络对不同分辨率的图片都有较好的检测效果,并且保证算法原有的实时性。改进后的YOLOV4-Tiny算法各项参数均优于改进前的算法,替换主干网络后的YOLOV3在保证准确率的前提下,模型体积大小下降了约3/4。因此,本文改进的算法体积轻便,可以直接应用到车载设备中,有实用价值。