随着人工智能技术和物联网技术的发展,无人驾驶和车路协同技术得到了长足的发展。同时,可持续发展在社会进步中受到越来越多的关注,公共交通、步行、骑车等绿色出行方式受到鼓励,非机动车在道路上的行驶安全需要保障。基于深度学习的非机动车检测系统能够在道路的机动车流中检测到非机动车,通过车路协同系统同机动车共享检测结果,提高道路的安全性。目前的道路监控系统主要针对机动车,非机动车的数据量小且非机动车目标也较小。数据预处理技术针对上述挑战采用镜像变换、仿射透视等几何变换方式,亮度、色度、对比度变换等颜色空间变换方式,以及叠加雨雪运动轨迹的方式进行数据增强,以模拟各种光线和天气条件下的监控情况并扩充数据集。针对非机动车目标检测对象密集程度较低的特点,基于稀疏网络设计思想的目标检测模型结合主流、前沿的目标检测方法,摒弃了厚重的区域生成网络,仅为输入图像提供少量候选框,通过特征融合的方式增强特征表达,去除反复的非极大值抑制处理过程,采用迭代检测的方法,使上层输出的定位和分类结果能作为更加精确的初始值输入到下层检测网络,以达到精化检测结果的目的。数据集采集自学校附近路段的真实道路环境,实验基于预处理后的数据集完成。为取得最适合应用在机动车流中非机动车检测任务上的模型,设计了调整迭代检测结构和初始化候选框数量的实验。实验结果表明,模型始终能较好地收敛,在目标检测任务上有良好的表现。其中,在合理的训练次数下,迭代检测6次、初始时嵌入100个候选框的模型表现最好,在Io U阈值取0.5时的准确率能达到91.8,在对单帧图像检测10次和100次时召回率都能达到87%以上,单帧图像处理速度低于0.12秒。