道路交叉口作为道路网最重要的节点信息,精准高效的道路交叉口检测有利于道路网的构建,对地图绘制、城市交通规划、路径分析等方面也有着重大意义。由于高分影像道路交叉口目标较小、存在较多的植被遮挡、邻近地物颜色相近等问题,加大了检测的难度,导致现有的道路交叉口检测模型精度较低、漏检率较高。为此本文将YOLOv3（You Only Look Once Version 3）模型用于高分影像道路交叉口的检测研究,并在检测精度与轻量化两方面对其进行了改进。本文具体研究包含以下几个方面内容:（1）参照现有的目标检测数据集规范,通过影像数据获取、影像数据预处理和数据集人工标注等操作,构建了高分遥感影像道路交叉口数据集,为后续道路交叉口检测算法的研究提供数据支撑。（2）针对YOLOv3网络对多尺度目标检测性能较差、对小目标检测效果不佳以及边框定位不准等问题,提出了一种改进的YOLOv3高分影像道路交叉口目标检测算法—CSC-YOLOv3。该方法首先使用CIOU损失函数改进原始YOLOv3的目标定位损失,解决边框定位不准的问题,降低目标漏检率;其次,通过在YOLOv3的主干特征提取网络后添加空间金字塔池化模块,增大网络的有效感受野,优化多尺度目标检测效果;最后,在YOLOv3网络的三个特征层结构以及两个上采样结构中引入注意力机制模块,增强对小目标和被遮挡目标的关注度,提升网络检测精确度。在自制的道路交叉口数据集上对算法进行了实验验证,结果表明,相对于原始YOLOv3网络,CSC-YOLOv3算法的精确率、召回率、平均精确率和F1分数得到较大提升,优化了高分遥感影像道路交叉口的检测效果。（3）针对改进的CSC-YOLOv3网络检测速度较慢的问题,进一步使用Mobile Net、Efficient Net和Ghost Net三种轻量级网络替换CSC-YOLOv3模型中的Darknet-53结构,提出了Mobile Net-YOLOv3、Efficient Net-YOLOv3和Gehost Net-YOLOv3轻量化网络,以此优化计算量复杂的CSC-YOLOv3模型。通过在道路交叉口数据集上进行实验,对改进的三类轻量化网络进行对比分析,从而选出综合性能更好的道路交叉口检测轻量化模型。其实验结果表明,三种改进的轻量化模型中Mobile Net-YOLOv3网络检测效果更优。相较于CSC-YOLOv3网络,其模型运行速度得到了显著提升,并大幅缩减了模型大小,有效地提升了网络的整体性能。