车辆目标检测是智能交通系统中的关键技术之一，对车辆目标的准确识别并精确定位有助于后续任务的进行。基于深度学习的图像目标检测是实现车辆目标检测的重要手段。SSD（Single Shot MultiBox Detector）作为目前精度和速度权衡最好的深度学习检测算法之一，已广泛应用于大量现实场景中。但直接利用现有的SSD进行车辆目标检测，性能尚无法完全满足需求。因此，研究适用于车辆目标的改进SSD算法以提高其检测精度进而满足车辆检测实际应用需求，具有重要的理论和实际意义。
　　论文在深入分析SSD算法检测原理的基础上，围绕多尺度特征金字塔、级联检测和网络加速三个方面进行SSD方法研究，构建了一个完整的适用于快速车辆目标检测的改进SSD算法框架Cas-FESSD。论文的主要工作和贡献如下：
　　①论文从特征金字塔、先验框机制、损失函数等角度详细地对SSD算法原理进行了分析。针对低级特征检测小尺度车辆目标性能差的问题，论文提出了特征提升策略FES，在引入具有充足语义信息的高层特征基础上，额外设计一个并行的浅层网络来补充丢失的车辆细节特征，并使用基于空洞卷积的扩展感受野模块来有效的增大特征感受野，从而准确识别小尺度车辆目标。
　　②为了提升算法的定位性能，论文对SSD算法引入级联检测策略。针对级联SSD算法第二次检测的特征与锚点（Anchor）的不对齐问题，论文基于可变形卷积结构提出了特征对齐模块FAM，利用前一次检测对Anchor空间位置的回归量生成卷积采样点偏差，从而缓解Anchor位置偏移问题。
　　③针对级联SSD第二次检测的输入分布变化问题，论文以正负样本阈值划分为切入点，单独考虑每个车辆目标，在原阈值的基础下统计所有正样本与该目标框的交并比分布情况，进而提出目标独立的递增式自适应正负样本阈值确定方法，从而改变训练样本的分布。
　　④针对不同正样本特征对目标表达能力不同从而影响回归性能表现的问题，论文通过计算Anchor中心点和车辆目标中心点的“Centerness距离”，将其作为回归损失函数中的权重项，对所有正样本的回归损失进行加权，避免距离目标远的特征因为包含更多的背景噪声从而给回归带来错误的梯度下降方向。
　　⑤考虑到额外添加的卷积等结构对SSD算法的推理速度会造成一定影响，因此本文设计了一种对骨干网络进行池化层删减的策略，并利用损失函数保证裁剪前后特征图输出的一致性，从而最大化降低由于裁剪导致算法精度的损失。
　　综合上述所有改进，构建了一个完整的适用于快速车辆目标检测改进SSD算法框架Cas-FESSD。论文使用Udaicty车辆数据集对Cas-FESSD进行训练和测试，并设置了多组对比实验。大量的实验结果表明，相较于原始的SSD算法，论文提出的各项改进策略均可以不同程度提升SSD算法的性能表现。同时，在UA-DETRAC车辆数据集上的实验结果表明，本文提出的Cas-FESSD是目前精度和速度权衡最好的车辆目标检测算法之一。