目标检测一直以来都是计算机视觉领域很重要的研究课题,主要研究的是从静态图片或视频中检测并定位图像中的目标。道路目标检测是一种在道路场景图像中找出道路目标的研究问题。随着无人驾驶技术的发展,道路目标检测表现出了很大的发展潜力,在道路行驶中,车辆对周围物体的感知能力,能够提高驾驶的安全性。由于道路目标所在的场景复杂多变,基于图像的道路目标检测还没有成熟的检测方法,在实际应用的道路目标检测算法研究中仍需要投入更多研究。在传统的道路目标检测中,需要进行手工提取目标特征,算法模型的泛化能力较差。因为卷积神经网络具有自动提取图像目标特征的能力,可以解决手动提取目标特征的问题,所以本文使用深度学习的技术,提出了使用深度卷积神经网络解决道路目标问题。本文介绍了目标检测的应用背景和国内外的发展状况,介绍了本课题的数据集的收集、预处理和划分,然后介绍关于本课题研究相关的基础知识,比如卷积神经网络的历史背景,卷积神经网络的基本原理,以及卷积神经网络中不同层次结构的作用,为目标检测算法提供了理论基础。本文使用卷积神经网络(SSD)模型来解决道路目标检测问题,SSD模型分为基础网络和多尺寸特征图检测,基础网络实现对图像目标特征进行自动提取,在基础网络中提取出不同尺寸的特征图,对多尺寸的特征图做卷积滤波,最后得到目标的坐标值和类别。实验中,在SSD模型中增加了特征图的检测层数,增大原图像尺寸,修改了基础网络,调试相应的参数,经过多次迭代,最终得到目标模型。实验采用行车记录仪采集的图像,在图像中标定出车辆、行人和骑行的人三类,实验表明,检测目标尺寸越小,检测难度越大,检测效果越差,本文的SSD模型对目标检测的平均准确率均值提高了0.098。提出的道路目标检测方法与传统目标识别算法相比,省去了手工特征提取,减少了工作量,提高了模型的泛化能力。