盲道作为城市道路规划中重要组成部分,反映了城市的经济与文明。而城市道路规划与城市发展存在差异性,使得盲道被随意占用情况日益严重,造成盲人出行缺乏安全性。如何为盲人出行提高可靠保障成为当前研究的热点问题。近年来深度学习在障碍物检测中取得较大进展,网络对于障碍目标的检测与识别精度不断提高,但网络深度不断增加,会丢失图像中小型障碍目标特征,造成网络检测精度不高。由于盲道障碍物种类繁多,使得深度学习网络在检测障碍物时存在对小型障碍物、条形障碍漏检与误检等问题。针对上述问题,在总结分析盲道障碍物检测领域一定研究工作的基础上,实现了一种广泛应用于目标检测领域的YOLO算法,并从以下方面展开研究:（1）针对于本文障碍物的特征分析发现小型障碍物的检测是障碍物检测中一个难点,使用YOLO V3网络的基础网络结构对于小型障碍的特征提取能力不足,并且对于小型障碍物检测框的置信度的偏移值较大,框选位置不够准确,导致最终检测精度有所下降。针对于上述问题,提出改进YOLO V3的盲道障碍检测方法,首先,利用空洞卷积替换残差结构及主体结构的3×3卷积,增大卷积核的感受野,扩大卷积核对特征的提取范围及能力。其次,利用混合注意力模块,对于特征图中小型障碍物的Io U区域进行提前聚焦限定,使得网络对关键点特征的提取更为精细,使置信度的偏移值减小,提升对于小目标障碍物的检测效果。经实验发现,在自建数据集上改进网络性能优于对比方法。（2）针对骨干特征提取网络存在对条形目标特征提取效果不佳等问题,以CSPDarknet53网络结构为基础模型,将非对称卷积结构融入网络构建新的特征提取网络,实现对小目标以及条形目标特征的有效提取;针对金字塔池化模块在盲道场景中对条形以及小型障碍物池化效果不佳问题,提出构建混合池化模块。该模块中条形池化对条形物体有更好的池化效果,同时方形池化保留对方形障碍物体特征,并且条形池化能进一步加强金字塔池化效果,对目标十字区域特征信息进一步增强;针对深度神经网络在特征提取时难以有效的描述小目标障碍物细节特征,存在复杂盲道场景下对小目标识别精度不高等问题,提出将高级特征信息与低级特征信息相乘的融合方式来增强对小目标的识别。综合非对称卷积结构、混合池化模块及特征融合方式,提出了一种改进后的YOLO V4网络,并在盲道障碍数据集上验证改进YOLO V4网络的有效性,较之对比方法本文方法性能较优。（3）针对于盲人出行特殊性,设计了基于树莓派的深度学习可移动检测装置,将训练好的网络模型移植到树莓派中,摄像头采集的障碍图像输入到网络中进行检测与识别,确定障碍物体类别,同时利用超声波测距测量当前障碍物位置,最后通过语音输出提升盲人进行合理避障。