道路车辆检测作为智能交通系统和自动驾驶的关键技术,随着计算机计算能力的提升和深度学习的发展,使用深度学习算法进行道路车辆检测成为大势所趋。由于道路环境复杂,光线、遮挡、目标远近等问题造成的漏检、错检是车辆检测任务有待解决的问题。同时,为满足自动驾驶对检测速度的要求,车辆检测算法还应当具有实时性。针对以上问题,本文在单阶段目标检测算法YOLOv3的基础上进行改进,提出了 SD-YOLOv3,主要研究内容如下。首先,将SENet加入YOLOv3网络上采样过程之后,重新分配特征权重,达到增强有效特征、抑制无效特征的目的,以此解决检测过程中特征目标信息较弱带来检测精度低的问题。其次,将骨干特征提取网络中输出特征层残差块Residual Block 8x、Residual Block 8x、Residual Block 4x中的卷积操作全部替换为空洞卷积,增大网络的特征感受野,提升目标的特征指向性,以提高网络对不同尺寸目标的识别能力。最后,将YOLOv3在大型数据集上训练的权重迁移至改进的模型中,作为预训练权重,利用部分训练好的特征权重完成车辆的检测,并且减少了网络训练时间。为验证改进算法的有效性,本文将改进的YOLOv3与原始YOLOv3算法在车辆数据集上进行实验对比。结果表明,SD-YOLOv3相较于YOLOv3网络有效降低了漏检、误检出现的概率。对于车辆类的检测中（car和bus类）,SD-YOLOv3算法获得了 96%以及95%的AP值;对于自行车（bicycle）和摩托车（motorbike）的检测,SD-YOLOv3算法获得了92%以及93%的AP值。其中,摩托车Motorbike种类的提升效果最大,达到了 18%。实验验证了本文所提出方法的有效性和优越性,具有一定的实用价值。并且改进的YOLOv3算法相比于Faster R-CNN和SSD这两种算法具有一定的精度优势,各个目标分类的AP均有不同程度的提升,SD-YOLOv3算法的mAP分别比Faster R-CNN和SSD算法高出了9.67%、10.49%;速度分别比Faster R-CNN和SSD算法高出了5.2、3.1FPS,因此也具备一定的速度优势。