当今,随着汽车保有量的增加,交通安全问题越来越受到重视。计算机技术的快速发展,为自动驾驶汽车的行驶安全问题提供了一种解决途径,其中利用计算机视觉技术准确感知道路环境的研究具有重要的意义和价值。随着卷积神经网络的发展,检测精度提升的同时网络体积、计算量也不断增加,这对车载嵌入式设备的硬件性能提出了考验。本课题采用卷积神经网络,对车辆前方道路上的行人和汽车等目标进行检测研究,并对网络进行优化,在保证检测精度的同时实现了轻量化。论文主要工作如下:（1）以道路检测需要的轻量化网络为目标,使用检测性能较好的YOLOv4网络为基础,使用Mobile Net和Efficient Net系列网络对YOLOv4的特征提取网络CSPDarknet53进行轻量化。对比5种轻量化网络,综合考虑网络的参数量、计算量、模型大小和检测速度等评价指标,改进后的Mobile Net V2-YOLOv4（MV2-Y）网络的检测速度提升了63.0%,提高了检测实时性。（2）为了提升检测精度,在MV2-Y基础上对其特征金字塔网络进行了融入注意力机制、扩增网络宽度以及K-Means++算法先验框聚类分析,改进了特征融合网络。具体是在特征融合网络中引入通道注意力机制,并对其位置和数量进行实验探索,分析得到Mobile Net V2-SE-YOLOv4（MV2-S-Y）网络。将MV2-S-Y网络、YOLOv4-Tiny网络、YOLOv4网络和MV2-Y网络在PASCAL VOC、Udacity和KAIST数据集上分别进行验证。结果表明,MV2-S-Y网络相较于YOLOv4网络,其模型大小、参数量和计算量均大幅度减少,检测速度提高了1.5倍。MV2-S-Y网络与MV2-Y网络相比,在模型大小增加不到1.0%的情况下,在PASCAL VOC、Udacity和KAIST三个数据集上的检测精度分别提高了1.3%、2.2%和0.5%;与YOLOv4-Tiny网络相比,在PASCAL VOC、Udacity和KAIST三个数据集上的检测精度分别提高了4.0%、13.5%和3.5%。（3）对MV2-S-Y网络的损失函数和激活函数进行研究,采用EIOU损失函数和Mish激活函数对网络进行优化,得到MV2-S-YE网络。通过自建校园道路目标数据集进行低速多目标场景检测。实验结果表明,MV2-S-YE网络比MV2-S-Y网络在PASCAL VOC和Udacity数据集上的检测精度分别提升了1.6%和2.4%;MV2-S-YE网络在校园道路目标数据集上的检测精度达到88.1%,检测速度达到44 FPS。本课题根据自动驾驶汽车低速道路目标检测所需网络轻量化和实时性的需求,以YOLOv4网络为基础进行网络结构的研究,改进的网络在公开数据集和自建校园道路目标数据集上有较好的表现。