在多种复杂场景下进行车辆检测和提取到车辆重要信息一直是目标检测领域的重要研究方向之一。该问题的突破可以为智慧交通系统中的车辆统计技术提供基础,在一定程度上缓解交通拥挤问题,以及为车辆跟踪问题提供相应的技术支持,其中车辆是否能够准确检测是后续相关工作的前提,本文的主要研究工作及贡献如下。（1）为了降低选取先验框选取时间以及提升模型的检测精确度,利用k-means++聚类算法选取9个目标先验框和尺寸,为多尺度训练所使用,提高检测模型的精确度,k-means++的平均交并比相比于k-means提高了3%,达到了75%。针对城市主干道下的密集车辆精确度问题,进行了车辆数量和分布的调查。通过使用随机函数选取UA-DETRAC数据集中的24440幅图像信息作为训练集,数据集拥有多时段和随机性等特征。为了降低车辆密集情况下的误检,结合空洞卷积模块和SE注意力机制模块改进特征提取网络,增强了网络对特征通道侧重点,提升网络检测能力,在精确度方面相比原先提高了2%左右,在AP（Average Precision）方面提高了2.5%。（2）针对光照不足和远视角小目标车辆的问题,采用了基于CSPNet（Cross Stage Partial Network）的改进结构CSP2＿X,加强了对上下文特征的融合,提取更多图像信息。传统算法一般采用“池化”的方法增大感受野,这方法会导致图像特征信息的丢失。因此结合了空洞卷积模块,召回率提高了5.1%左右,AP值提高了2%左右。针对检测速度较慢和检测物体背景多样性的问题,使用了图像拼接训练方法,将多幅图像经过输入层进行拼接后进行车辆检测,来提高网络检测性能和速度。通过实验可以得到,在保证速度的要求下,改进YOLOv4算法的AP值比原先提高了5%左右。