随着网约车出行方式在人们日常生活中普及,网约车出行的安全问题成为了人们关注的热点。作为解决网约车出行安全问题的基石,对网约车关键信息的检测与识别扮演着十分重要的角色。当前网约车关键信息检测与识别算法具有在复杂应用场景下检测精度较低、算法功能比较单一、移动端运行速度较慢等问题。基于此,本文研究了基于RetinaNet的网约车关键信息检测与识别算法,检测输入图像中包含车头的车辆外框、包含车尾的车辆外框以及车牌,并对输入图像中车门开关状态和拍摄图像的方向进行识别。对于这些目标功能,本文分别设计了服务器端和移动端的高性能算法模型,以满足不同场景的需求。本文针对以下问题进行了深入的研究。首先,本文以RetinaNet为网约车关键信息检测与识别算法的基础框架,针对当前在实际应用场景下检测精度较低的问题,本文从网络结构、损失函数、候选框(Anchor)的选取方法这几个方面对RetinaNet算法进行改进,改进后的服务器端算法检测精度相比于原始RetinaNet算法有1.1个百分点的提升,检测精度达99.9%。其次,本文在网约车关键信息检测与识别算法框架上嵌入识别车门开关状态的分支和识别拍摄图像方向的分支,实现单模型多功能的高性能网约车关键信息检测与识别算法。测试结果表明,本文设计的服务器端网约车关键信息检测与识别算法在保证原有网约车关键信息检测精度为99.8%的情况下,新嵌入的识别分支精度可达到99.8%,可以很好的满足多功能场景需求。最后,针对移动端计算力水平有限和存储较小导致模型性能下降的问题,本文提出以MobileNetV3Small做为移动端网约车关键信息检测与识别算法的基础特征提取网络,对特征复用模块进行通道压缩并嵌入注意力机制以提高移动端模型的性能。测试结果表面,本文提出的移动端算法模型在网约车关键信息检测与识别综合准确率达到98.3%的情况下,在移动端设备上的推断速度可达100ms,满足了实时场景的需求。