作为现代交通标志的高速公路,其交通拥堵、停车、逆行等异常事件日益增多,尤其是高速公路上出现行人、车辆逆行等行为给其他车辆带来重大安全威胁。为此,如何提高异常交通监测的效率成为了人们十分关心的问题。由于卷积神经网络的快速发展,有效地提高了车辆检测的准确率。然而在夜间交通监控场景下,车灯成为了车辆最明显的特征;由于无法使用和白天相同的车辆检测特征,因此夜间车辆车灯及反光的研究具有重要的意义。本文在NHVLR数据集上进行对比实验,由此对高速公路场景下的夜间车辆车灯及反光检测算法进行一系列探索研究。论文利用弱化背景类别的训练权重,增强前景类别的训练权重的思想,提出了一种基于Focal loss损失函数的Class Weight loss(CW loss),使得网络着重训练权重较大的类别。通过实验得出,该算法的MPA提升至75.6%。该算法有效地平衡图像中类别的权重,提升了网络的分割效果。论文从网络结构的角度出发,改进FCN8s跳跃连接的网络结构,将全局特征信息与局部特征信息进行四次融合,提出FCN4s网络结构。通过实验得出,该算法的MIo U提升至66.6%,MPA提升至77.5%。通过多次融合图像的特征信息的方式,有效地提升了小目标的分割效果。为了进一步研究夜间车辆车灯及反光检测算法,论文将多尺度空间金字塔池化(ASPP)模块与FCN4s网络融合,提出一种多尺度全卷积神经网络MFCN。该结构主要分为两个分支,一个分支通过FCN4s网络提取特征信息,另一个分支通过ASPP模块在不同感受野下提取多尺度特征,最后采用Concat fusion方法对两个分支进行融合。通过实验得出,该算法的MIo U提升至67.3%,MPA提升至78.9%。通过结合多尺度特征的方式,保留了图像级的特征信息,进一步提升了算法的分割效果。为了简化获取实验结果的流程,并可视化实验结果,论文设计并实现了一个基于B/S模式开发的夜间车辆车灯及反光检测算法的智能检测系统。只需访问本系统的网址,添加任务并上传待检测的图片,经过智能检测模块处理后即可得到检测结果,整个过程十分简单,易操作。本系统为后期扩展系统的功能提供了一个模板,有助于提高后期维护和管理的效率。