物体检测是当今深度学习热门的研究领域之一,在物体检测中,小目标检测又因为其目标尺寸小,检测难度高的特点而极具挑战性。为了更准确的检测出小物体,实验往往需要较大分辨率的图像,但这也意味着更大的计算量开销与更慢的图像处理速度,而在实际场景的应用中,网络的检测速度也是需要考虑的重要条件,交通灯检测正是这样的应用场景之一。同时,交通灯检测往往还会受到环境因素的影响,如遮挡、光照等,这为交通灯检测又增加了一份挑战性。本文将交通灯按照宽度尺寸划分为不同的组,以此为基础提出了先验框设计的分层优化的方法,对每组进行独立的先验框数目与大小设计,组间互不影响,解决了先验框形状与交通灯匹配度不足,无法有效的表征小交通灯的问题,有效的提升了交通灯中小目标的检测效果。本文针对极小交通灯的情况进行了适应性的网络构架设计与训练方法设计,通过选取较大分辨率特征图来提高极小交通灯的检出率,同时,通过加入特征增强模块来解决大尺寸特征图特征深度过浅,表达能力不足的问题,有效的提高了对于极小交通灯的检测效果。本文结合交通灯形状的多为竖直矩形这一特点,设计了与之对应的卷积核结构与池化结构,额外缩减了预测时特征图的大小,在有效减少网络参数与计算量的同时,进一步提高了网络的检测效果。本文实验中所选取的数据集为Bosch小交通灯数据集,该数据集包含了大量极小的交通灯目标,实验进行放缩后宽度在4个像素以下的交通灯占总数的20%,相比于之前工作中常用的LISA等数据集更具挑战性。该数据集依旧存在遮挡、环境干扰等因素,已有的针对该数据集进行的交通灯检测的结果均不甚理想,而本文在该数据集的mAP达到了69.4%,单张检测速度在GTX 1080Ti上为7.026毫秒,在精度和速度上都优于YOLOv3,SSD等常用的轻量级检测网络,在无人驾驶等应用具有很好的应用前景。