在车辆日益增多的今天,车辆的行驶安全逐渐被人们关注。随着科学技术的不断发展,智能汽车将会越来越普及。由于车载摄像头的普及,越来越多的道路图像信息在不断地产生,图像处理算法特别是车辆检测算法成为智能驾驶的重要组成部分。基于计算机视觉的车辆检测算法主要可以分为两种,一种是基于传统图像处理的车辆检测算法,另一种是基于深度学习的车辆检测算法。由于计算硬件性能的提升、数据量不断增多以及更为精确的检测算法的出现,基于深度学习的车辆检测方法已经在准确率上优于基于传统图像处理的车辆检测,并且达到了实时性的要求。然而,在复杂的交通环境特别是遮挡条件下,基于深度学习的方法仍然难以对其中的车辆进行有效的检测。本文对前人提出的检测方法以及深度学习基础知识进行总结,开展了遮挡条件下车辆检测的研究。在车辆检测问题上,针对遮挡条件下车辆检测准确率较低、漏检率高的问题,本文在实时性与准确率较高的单级检测器SSD基础上,提出基于高斯加权的遮挡条件下车辆检测算法。本文首先对SSD的训练过程进行详细的分析,针对遮挡条件下SSD中存在的特征与标签不匹配问题,设计基于高斯加权的损失函数,对训练样本中不同锚框设计了不同的损失函数权重。在训练过程中,对数据集使用数据增广增加训练样本数目,并使用Image Net上预训练的主干网络VGG对SSD进行训练,实验结果表明本文提出的方法能够提升了SSD车辆检测器在遮挡情况下的检测准确率。另外,本文还对遮挡情况下的非极大值抑制算法进行了研究,提出了基于空间自适应阈值的非极大值抑制算法。非极大值抑制是车辆检测的最后一步,由于图像中不同的区域有着不同的遮挡情况,车辆的不同方位的遮挡情况也不尽相同,这就导致了非极大值抑制方法在设定高阈值时容易造成非遮挡区域的误检,而低阈值时容易造成遮挡区域的漏检。针对这一问题,本文提出了一种基于空间自适应阈值的非极大值抑制方法,它改变了传统贪婪非极大值抑制算法使用固定阈值的策略,并考虑了遮挡车辆之间的位置关系,自适应的调整非极大值抑制算法在图像不同区域,车辆不同方位的阈值。实验结果表明本文提出的方法获得了更为准确的车辆检测结果,降低了漏检率。