高速公路作为我国重要的交通运输基础设施,在公路运输行业和社会经济发展中起到重要的作用。与之而来的高速公路交通事故频频发生,大多因为发现不及时,而给社会、家庭造成较大的伤害,甚至不可挽回的悲剧。因此,对高速公路实时监控,智能检测和跟踪目标、识别交通事件,具有十分深远的意义。本文以车辆逆行、交通事故和摩托车上高速为例,研究一种基于深度学习的高速公路事件检测算法,对高速公路上的目标进行实时检测与跟踪,对交通事件进行智能识别检测。主要工作内容总结如下:1)本文采集了实际的高速公路视频,并对其进行标注,构建了“self＿motor”数据集。由于该数据集中部分类别数据量较少,本文设计了单图片和跨图片两种数据扩充方法来进行数据量扩充,引入Mh和r根据位置来调整贴入大小,并设计“Lee”数据扩充交互界面来完成扩充过程。从实验结果来看,精确率较“self＿motor”数据集均得到提升。2)本文设计了车辆逆行和交通事故事件的判别检测算法,通过YOLOv5l与Deep Sort模型获得目标位置信息,采用多帧图像结合的方式来判断其运动状态,同时在车辆逆行算法设计中添加增益Mr、在交通事故中添加增益Mc与Mp,以消除近大远小视觉以及目标框抖动对检测结果的影响。在对实际高速公路视频的测试中,检测效果较好。3)本文构建了YOLOv5l＿data模型,该模型基于YOLOv5l模型进行改进,能提高对目标检测的精度,具体的改进有:对SPP-Net进行池化窗口以及结构改进,丰富特征提取能力的同时,可以更好地提取小目标的特征;采用双线性插值改进和Mish激活函数,以增加特征图的分辨率,同时灰度更为连续,精确率得到提升,可应用于复杂的场景;为进一步丰富小目标和提升模型的泛化能力,本文设计了一种9张图片固定点与随机点拼接的数据增强方法,该方法使精确率进一步提升。对于整个YOLOv5l＿data模型的设计,在扩充后的数据集上的精确率较高,实际检测效果较好。4)本文搭建实验环境进行验证,结果表明构建的模型和设计的算法均有着较好的表现。最后将Pytorch模型转化成ONNX模型,进行Tensor RT加速,完成模型部署。