自动驾驶领域越来越受到工业界与学术界的关注,而自动驾驶领域中,目标检测是其中的一个核心问题。本文主要研究交通场景下目标检测领域中较为棘手的小目标检测与遮挡目标检测等问题,使得车辆在行驶过程中能准确检测出道路上的交通标识符与车辆。针对小目标和遮挡目标这两个目标检测中的难点问题,本文使用两种不同处理方式来解决。针对于小目标检测,例如交通标识符这类目标,本文提出利用注意力机制来缩小需要关注的区域,以此解决小目标过小,在卷积神经网络前向传播过程中发生信息丢失的问题。本文对特征提取网络进行改进,并在特征提取后加入解码器进行信息融合,最终提升了检测结果。本文选取TT100K与GTSDB数据集进行实验,在TT100K数据集中,本文提出的算法准确率达到85.2%,相比较于Faster RCNN提高2.1%。实验表明,注意力机制能有效的提高小目标检测效果。针对车辆检测问题,主要是由于车辆之间发生遮挡,导致信息丢失,网络无法准确判断目标位置。因此,本文提出利用上下文编码模块来提取目标周围信息,辅助于目标检测。本文在KITTI^[3]与Udacity^[4]数据集上进行实验,实验表明本文提出算法在KITTI数据集上达到89.5%准确率,相比较于Faster RCNN提高1.6%,相比较于MS-CNN提高0.3%。实验结果表明上下文信息能有效提高复杂场景下遮挡目标的检测准确率。