随着现代科技的高速发展,智能化与数字化的车辆检测技术受到了前所未有的关注。近十年,基于深度学习的图像目标检测算法取得了突破性进展。在复杂场景下,具有良好的鲁棒性。本文设计一套辅助无人驾驶的车辆目标检测系统,以对高速行驶中的车辆进行准确、高效、自动化的目标检测跟踪。本文对目标检测算法进行研究,选用了在检测精度方面表现较好的基于深度学习的Faster R-CNN(Faster Region-based Convolutional Neural Networks)模型作为基础,引入多尺度和注意力机制对其改进,并进行了试验验证。本文主要研究内容及改进如下:1、对复杂场景的车辆数据集进行了收集扩充,并使用数据增强及人为干预做数据增广。实验了不同的车辆检测模型算法,并对其算法原理进行了比较分析。考虑到不同算法适应的数据集有差异,故对国内外数据集以及数据扩充后的数据集进行合并训练,最后对算法模型的实时检测效果进行对比。2、引入注意力机制和多尺度,从而使算法适用于更复杂的场景。对模型进行多尺度特征提取,而后将图像特征信息融合进行推理预测,以此提高模型检测时的抗干扰能力。考虑到时间信息等语义特征,模型加入了注意力机制,以此挖掘强有力的隐藏图像信息。使得改进后的算法在实时推理时可以挖掘深层特征信息和隐藏信息,以此提高网络的检测精度。试验结果表明,改进后的算法在不同的数据集中性能指标均更高,比原算法检测精确度高2.6%。