近年来,随着人工智能,尤其是深度学习的发展,自动驾驶这项当年只存在于人们幻想中的技术越来越趋近现实。完整意义的自动驾驶离不开先进的软硬件设备的支持。特别是车辆在行驶途中,对于周围物体的“认知”,需要优秀的计算机视觉识别方法的支撑。YOLOv3具有速度快、背景误检率低、泛化能力强等优点,可以满足驾驶过程中需要实时检测的要求,是自动驾驶视觉识别方法的不错选择。但它也存在一些YOLO系列算法的固有问题,例如多目标场景下识别性能不高,存在目标定位准确性问题,以及对于小尺度目标物体检出度不够。本研究的目的是寻求在实际驾驶环境下的高性能实时视觉识别器。因此需要在驾驶场景数据集上进行测试,从而了解识别器的识别特性。并在此基础上加以改进,希望能够提高其性能,提高自动驾驶应用中视觉识别的置信度。原YOLOv3识别器在BDD100K上的平均精度均值为0.423,远低于其在COCO数据集上的平均精度。为此本文首先分析Anchors尺寸对YOLOv3识别性能的影响,通过K-means聚类优选出一组Anchors。然后对YOLOv3的网络结构进行改进,增加一个YOLO头,构造4个YOLO头的网络结构,其在BDD100K测试集上的平均检测精度均值相较于3个YOLO头的网络结构提升了0.05。在4个YOLO头的基础上构造非均衡YOLO结构,其在32轮迭代后的平均精度均值相较于4个YOLO头对称结构又有了0.01的提升。分析得出,非均衡4 YOLO结构的识别器在整体上特别是小尺度目标识别性能上具有优势。这也符合我们对小尺度目标识别性能提升的预期。