近年来,基于卷积神经网络的计算机视觉算法取得了极大的进步,并越来越广泛地被应用于工业和生活领域。本文旨在改进现有的目标检测算法,并将其应用于解决路边停车场景中的车辆检测问题。本文以YOLOv5为基础,一方面针对路边停车场景对网络做出针对性的优化,另一方面基于一些普适的网络改进方法进一步提升网络的性能。同时,本文制作了路边停车场景数据集,并结合筛选过后的公共数据集中的资源以评估算法的性能和改进的效果。本文首先针对路边停车场景对网络进行优化。本文使用余弦距离评估网络特征图之间的相似度,并指出在目标类别越少、越接近,或训练数据场景越单一的情况下,特征图更为相似。通过使用Ghost Block替换网络中的部分残差块,本文在检测精度不明显变化的情况下,分别使网络的参数量和浮点计算量降低了1.236M和1G。本文还研究了各层检测头对最终检测结果的贡献,发现在车辆检测相关场景下,低层的检测头很少检测到目标。简化检测头后,实际推理时间降低了约2%,同时精度提高了1.3%m AP。此外,本文研究了大量目标重叠时的后处理算法的效果,发现NMS表现不佳,且可能会筛选出回归效果欠佳的预测框。本文使用Confluence算法替换原有后处理算法后,减少了车辆漏检,并在路边停车场景数据集下提高了0.8%m AP。同时,本文提高了后处理算法的置信度阈值,以适应实际应用中的需求,而非过分强调公共数据集中小目标检测的召回率。此外,本文基于普适性的方法进一步优化网络。本文通过改进训练策略和数据预处理策略,在不改变网络结构的情况下提高了网络的精度。基于最优传输分配算法来优化样本分配策略后,网络的精度提高了0.3%m AP。然后,本文使用Focal Loss改进了损失函数中的前背景分支,结合改进后的样本分配策略,使网络的精度提高了0.2%m AP。本文在网络的颈部引入了Drop Block正则化方法,并取得了1%m AP的提升。通过适当调整数据增强策略,缓解增强算法带来的低质量样本边框标注对训练地影响,网络的精度提高了1.6%m AP。本文提出了多种针对车辆检测改进通用目标检测算法的方法,并通过实验验证了改进的有效性。