随着经济的快速发展,汽车的数量急剧增加,而道路基础设施还不够完善,由此带来了交通事故的频发。为改善此状况,防止交通事故的发生,研究人员研发出的智能辅助驾驶系统、智能刹车系统等产生了一定的效果。目标对象的分类与检测是这些智能系统的关键,采用传统的图像分类和目标检测技术在物体的检测上耗时长且精度不够高,影响了智能汽车的发展。基于深度学习技术在图像分类和目标检测方面的优势,论文在此基础上对道路上的物体的分类和检测进行了较深入的研究。论文从卷积神经网络(Convolution Neural Network,CNN)的基本概念出发,将模型的基本构成划分为输入层、卷积层、采样层、全连接层、分类器五个部分,重新构造了CNN模型,对道路上救护车、公交车、出租车等11种车型进行识别分类研究,同时将识别模型进行动态的增强和拓展。通过Inception Module优化卷积层,对模型进行了优化求解,发现模型网络深度更浅,收敛速度变得更快,最终在数据集上取得了90.12%的准确率,相比迁移学习下正确率提高了近4.21%。针对运用较为广泛的Faster RCNN、SSD和Yolov3目标检测框架,论文使用KITTI数据集对这三种目标检测框架进行训练,比较其平均准确率(mean Average Precision,mAP)和每秒传输帧率值(Frames Per Second,FPS),论文选定Yolov3作为论文的目标检测参考框架,通过:1)增加较少类别的物体数的方式来平衡类别;2)针对目标定位不准确的缺点,对于不同的数据集,需要重新调整anchor的数值;3)针对小目标难检和漏检的情况,再增加一个尺度融合;三个方案对框架进行了优化,优化后的Yolov3目标检测算法的mAP值达到0.7912,较原始Yolov3的mAP值提高了近5.31%,检测速度也达到实时检测要求,具有较高的实用价值,也为研究检测其他物体提供宝贵的经验。