道路交通环境涉及的多目标检测技术主要是检测各种道路交通环境中采集的图像或者视频里的车辆和行人等,使用机器学习和深度学习的技术来实现高效的检测识别。该技术是近年来理论研究和实践过程中人们讨论的热点,并广泛应用于车辆的驾驶辅助系统,无人驾驶等领域。然而道路交通环境非常复杂,需要检测的车辆和行人等障碍物很容易受到各种随机因素的干扰,因此多目标检测技术的研究仍然有很长的路要走。最近几年深度学习获得前所未有的发展,所以基于深度学习的道路场景车辆行人的检测算法相应地被提出。该算法的参数优化主要和所需训练数据有关,具体做法是把所使用数据集里的训练数据以及对应的标签作为卷积神经网络的输入来进行训练,获得训练模型以后使用数据集中的测试数据在训练模型中获得预测数据,并和测试数据的标签作比较。除此之外多传感器融合的手段可以弥补单一数据的不足,从而使检测准确率有所提升。所以本文基于深度学习算法和多传感器数据融合策略对道路车辆和行人的检测进行研究。(1)基于卷积神经网络Resnet搭建融合多元数据的卷积网络,将多传感器采集的数据进行融合,该结构充分考虑RGB图像和深度图像的独立性和相关性,由于两个卷积网络的结构相同,而且权值共享,使模型参数量降低,可以提高计算效率。通过实验证明该融合卷积神经网络在图像分类任务中准确率有显著提升,可以为后文道路车辆行人检测网络的搭建打下一定的基础。(2)本文使用融合多模态数据的残差卷积网络去替换原始SSD网络框架中的基础网络框架VGG-16网络。并在KITTI数据集下,对道路车辆、行人和自行车进行检测,改进后的融合SSD道路目标检测网络模型经过训练和调优后,实验证明本文的融合方法是有效的,改进后的融合目标检测网络模型鲁棒性和实时性更好,分别在精度和速度上都有一定的提升。