随着全球汽车数量的暴增,一系列交通问题以及环境问题接踵而来。为了更好地应对这些问题,智能交通系统(ITS)来到了人们视野。智能交通系统包含很多个环节,但车辆检测作为智能交通系统中的基础环节,对其发展具有重要意义。传统的车辆检测方法如帧间差分法、背景差分法等,检测效果往往表现平平。随着深度学习再次崛起,它迅速被应用到了各个领域。本文将深度学习与车辆检测领域相结合,为更加安全高效的智能交通系统提供了可能。本文首先深入研究了经典的车辆检测算法和基于深度学习的车辆检测算法,详细介绍了其原理,并分析了各自的优劣势,然后完成了如下工作:1)提出了一种基于路径增强的RetinaNet密集目标检测方法——PA-RetinaNet。为解决阻碍一阶段目标检测算法精度提升的类别不平衡问题,本文引入了一个类别不平衡损失函数(Class-Imbalance Loss),使得模型更加关注难分类的样例;同时增加了一个自底向上的路径增强模块,缩短了信息传播的路径,使得底层信息更容易传播;使用微软构建的MS COCO数据集对通用目标检测的PA-RetinaNet算法进行验证,实验证明PA-RetinaNet与现有的一阶段目标检测方法在保持速度相当的同时,比两阶段目标检测方法的检测精度还要高出4.3%。2)设计了一种基于迁移学习的车辆检测算法。车辆检测作为智能交通系统中的基础一环,为后续车辆计数、车速测量、交通事故识别、交通流量预测提供保障。本文中使用迁移学习方法将通用目标检测的PA-RetinaNet迁移到车辆检测领域,节省了大量训练时间;使用UA-DETRAC数据集对与迁移到车辆检测领域的PA-RetinaNet进行微调,实验结果表明,相比现有方法,本文的算法不输检测速度的同时,检测精度更胜一筹。