随着社会经济的快速发展,汽车持有量不断增加,城市交通系统日益庞大,交通事故问题和交通拥堵问题日益加剧。目前人工智能技术正在高速发展,无人驾驶将是未来汽车行业的主要发展方向,发展智能交通可以一定程度上缓解交通压力,是解决以上交通难题的途径之一。基于视觉的目标检测和交通标志检测是无人驾驶系统环境感知层的两个重要模块,所以实现无人车对行驶道路上的目标和交通标志进行检测与识别具有重要的实用价值,并对所提出的目标检测算法与交通标志检测算法进行安全性分析,以提升无人驾驶系统的安全性,具有重要的理论指导意义。本文主要的研究内容如下:(1)为了实现无人驾驶系统中对目标检测算法的实时性和准确性的要求,并针对由于单次多尺度检测(Single Shot Multi Box Detector,SSD)网络结构依然存在较大计算量,而不能较好地适用于无人驾驶设备进行实时目标检测的问题,本文提出了一种轻量级的SSD网络结构,降低了SSD网络的计算量,提高了SSD网络的检测速度。其次,针对SSD网络浅层预测层的卷积特征图语义信息不足导致小目标检测表现较差的问题,提出了一种将传统HOG特征与轻量级SSD在Conv4-2卷积层的卷积特征进行融合,再将获得的融合特征进行目标检测的方法,增强了轻量级SSD在该卷积层的语义信息,提高了轻量级SSD算法对小目标检测的能力。最后本文还对提出的目标检测算法基于损失函数进行了算法的安全性分析。(2)为了实现无人驾驶系统中对交通标志检测算法的准确性要求,本文提出了一种改进的Multi-class全卷积神经网络算法,首先使用Multi-class全卷积神经网络对交通标志进行检测,然后使用颜色检测算法和计算连通域算法对检测结果进一步筛选,提高了Multi-class全卷积神经网络对交通标志检测的准确性。另外,针对交通标志种类繁多,并且在数据集中每类交通标志的图像数量不平衡的问题,提出了一种基于外观变换、增加噪声、图像合成等图像变换组合的数据增强策略,并使用该数据增强策略对数据集中的交通标志图片进行扩充,为网络模型的训练提供了充足的数据。最后本文还对提出的交通标志检测算法基于损失函数进行了算法的安全性分析。(3)为本文所提出的交通标志检测算法设计了应用系统,系统主要提供了从输入图像或视频到输出交通标志检测结果功能、网络模型训练所需数据集的下载与查询功能、网络模型的初始训练以及根据已有网络模型进行再训练功能。根据系统运行效果,本文提出的交通标志检测算法具有较高的应用价值。