随着人工智能技术的发展,很多新兴的AI产品已经落地,其中广受瞩目的自动驾驶技术已经愈发成熟,部分含有辅助驾驶功能的车辆已经批量投入生产。计算机视觉领域的物体检测技术作为实现自动驾驶的核心技术之一,通过对路面上的2D物体进行识别和检测,协助司机实时处理路面车况,规避风险,从而保障行驶安全,降低事故发生率。在目前自动驾驶的实时物体检测过程中,一方面物体检测的准确率需要继续提升,另一方面检测物体的误检、漏检等问题依然存在,在车辆行驶过程中,任何一个明显的检测失误都可能会导致事故的发生,所以需要提升物体检测的稳定性,从而增加车辆行驶的安全性。针对以上问题,本文从三个方面进行研究。第一,本文基于深度学习框架pytorch,并应用目前常用的二阶段物体检测框架R-FCN,对自动驾驶数据集进行训练得到初始模型,结合多篇论文中提升物体检测性能的策略进行实现并改进,进一步提升了模型的性能。第二,本文提出了一种基于神经网络的攻击与防御来提高物体检测稳定性的策略,在物体检测中用来包含检测物体大小的矩阵框称为检测框,本课题对R-FCN检测框架进行改进,增加新的网络分支结构,并基于FGSM(Fast Gradient Sign Method)的方法进行改进,利用原始数据集生成对抗样本数据,混合对抗样本以及原始数据进行多种策略模型训练方式,让物体检测更加稳定,从而减少连续视频中的闪现帧,并减少检测框漏检、误检等情况,使车辆行驶变得更加安全。第三,本文结合目前存在的主要问题进行分析,提出了一种物体检测稳定性效果评测的指标,从闪现帧数量、检测框的中心偏移差以及检测框的比例变化进行综合评估。在自动驾驶数据集中对检测框进行追踪从而获取连续帧检测框信息,对文中提出的多种策略分别训练并评测,找出提升物体检测稳定性效果最好的策略。通过在自动驾驶的数据集以及同分布的测试集上进行实验,检测评测指标采用通用评测指标mAP(mean average precision),基础模型mAP为0.798,改进后效果为0.844,提升了 4.5个百分点,增强网络稳定性之后,闪现帧减少了 30%,验证了该策略的有效性。本文策略提升了物体检测的准确率,增加了连续帧物体检测框的稳定性,并可以用于实际的自动驾驶路面物体检测中。