目标检测是以人的视觉方式在图像中寻找感兴趣的目标,确定待检测目标的位置信息、种类和其他人为所需要的特性,是人工智能学科中必须面对并解决的问题,因此目标检测一直以来都是机器视觉中的热点及难点。道路场景元素的检测研究涉及的应用背景非常广泛,具有重要的研究意义,其检测内容主要包括道路上的人及其身上的外饰特征、各种车辆、交通灯、停车标志等目标。本文对道路场景元素的检测是在对目标进行定位和分类的基础上进行实例分割,主要内容如下:（1）收集检测图像数据,针对待检测图像进行降噪处理。为了避免对彩色图像去噪时出现失真,本文采用一种基于色度模型的彩色图像非局部均值去噪方法,该方法能在避免失真的同时提升去噪的效果。首先将RGB（Red、Green、Blue）彩色图像转换到HSV（Hue、Saturation、Value）空间,根据模型变换关系建立色度模型,并通过在色度平面中搜索色度中值从而分别消除图像在色调和饱和度分量中的噪声。其次在明度通道V中使用非局部均值去噪方法去除其中噪声。将基于色度模型的彩色图像非局部均值去噪方法与高斯去噪、中值去噪相对比,实验结果表明,基于色度模型的彩色图像非局部均值去噪算法相对其他算法有更好的去噪效果。（2）对待检测图像进行拼接。针对传统SIFT算法的单一阈值导致的特征点空间分布不均匀的问题,本文提出一种基于纹理分类的多阈值尺度不变特征变换（Scale-invariant feature transform,SIFT）图像拼接算法,以此均衡特征点分布并提升拼接质量。首先根据纹理复杂程度对图像进行纹理分区,将其分为平坦、弱纹理、一般纹理和强纹理区。在特征点检测阶段增加弱纹理区和一般纹理区的候选特征点的数量,并降低强纹理区候选特征点的数量。然后,基于信息熵进行阈值设置,进一步提升弱纹理区和一般纹理区的特征点数量,使得这两个区域所提取的特征点信息更加丰富,以此均衡特征点的分布。最后对所提取的特征点进行匹配和图像融合,以完成图像拼接。（3）基于Mask RCNN网络框架的消融实验及参数优化。Mask RCNN原算法中以Resnet101为骨干网络,准确率较高,但检测速度较慢。因此,本文使用不同深度的骨干网络进行实验,探索了网络深度对检测精度与速度的影响。同时,调整网络中缩放尺寸等参数,以研究其对检测速度和准确率的影响。（4）使用不同的特征提取网络对YOLACT（You Only Look At Coefficien Ts）进行消融实验并对YOLACT网络结构进行优化。YOLACT网络的优化改进:首先在模板生成网络上加入压缩和激励网络（Squeeze-and-Excitation Networks,SENet）模块以提升算法的性能。其次,利用距离交并比（Distance Intersection Over Union,DIOU）对候选框的相似度进行判别,实现对网络中非极大值抑制算法的优化改进。实验表明,改进后网络相较于原YOLACT算法,在准确度上有一定的提升。