随着机动车人均持有量的增加,人们对于机动车的使用也越发的频繁,但随之而来也导致许多交通事故的发生。自动驾驶和智能辅助驾驶技术的出现可以有效的降低和避免交通事故的发生,所以发展智能交通系统成为了各国以及诸多科技公司的重中之重。在智能交通系统中,自动驾驶和智能辅助驾驶作为其重要的一环,其驾驶过程中的目标检测问题成为了当下需解决的难点。其所涉及的目标检测问题是需找出驾驶过程中前方出现物体的类别与位置。本文以YOLOV4-Tiny目标检测算法为基础,对其进行优化改进,并且分析了其检测性能。首先叙述了本课题的研究背景与意义,对国内外目标检测的算法研究现状进行分析,继而介绍了传统和基于深度学习的目标检测算法。通过分析并对比几种经典深度学习算法之后,本文以YOLOV4-Tiny网络模型为基础,完成对车辆驾驶前方目标检测。由于YOLOV4-Tiny网络模型在进行目标检测时,其实时性较高但检测精度不足的问题,本文对YOLOV4-Tiny网络进行了优化改进。首先,针对检测精度不足问题,本文在算法结构中引入了 SPP（SpatialPyramid Pooling）结构,增加网络感受野,分离上下文显著特征,提升了改进后算法的检测精度;其次为了满足改进之后算法的检测实时性要求,采用深度可分离卷积,用其代替特征预测模块中的普通3×3卷积,减少了整个模型的参数量,达到了算法实时性的要求。实验结果表明,改进之后的YOLOV4-Tiny网络模型大小为17.17M,并且取得了96.11%的平均检测准确率,检测速度达到了每秒42帧。在硬件实现方面,首先对网络训练生成的权重参数等数据进行量化,将其与待识别的图像数据一起存入参数存储模块中（SD卡）,之后通过ARM端的控制将SD卡中的数据全部导入DDR中,当需要进行卷积技算时,DDR将计算所需的数据导入BRAM,继而将数据传入到卷积计算模块中进行运算,通过ARM端控制每一层卷积的计算。本文在Vivado HLS中完成卷积核IP的设计与验证。最后,在Vivado和Vitis中完成了改进后的YOLOV4-Tiny网络的实现,并在Xilinx Zynq开发平台上进行了板级验证。