随着时代的发展与科技的进步,乘坐机动车出行已经成为了人们的日常生活方式,伴随而来的智能交通系统成为了各国政府与各大科技公司都争相发展的对象。由于计算机硬件技术的突破性发展,基于深度神经网络的各类算法不再被计算资源所限制,作为智能交通系统其中重要的组成部分,辅助驾驶系统中的目标检测难题成为了当下研究热门领域。辅助驾驶系统中的目标检测问题主要分为目标分类和目标位置检测两个子任务,其普遍的应用场景为车辆前方的道路图像。由于卷积神经网络自身结构在处理图像数据时具有的独特优越性,业界往往使用各类卷积神经网络作为道路目标检测方法,本文从特征提取方式、特征分类与位置回归方式等角度将这些算法进行了分类介绍,并说明了选用YOLO系列算法的优势。为了解决道路前方视频中的目标检测问题,本文采用YOLO-tiny算法对道路前方目标进行检测,但考虑到YOLO-tiny算法在进行目标检测任务时实时性高但检测精度不足的问题,为了同时满足辅助驾驶系统中对于检测算法实时性与准确率的要求,本文针对YOLO-tiny的网络模型进行了重新设计,在加深网络层数的同时引入了 1*1卷积层对网络进行参数简化,使重新设计后的网络能够提取出更深层的特征,同时使算法实时性的降低幅度依然在可以被接受的范围内;为了进一步提高网络的检出能力,本文在训练网络时尝试了对不同数量的先验框进行重新聚类,并分析比较了各自聚类出的先验框尺寸的效果。为了解决目标检测算法在检测视频目标时出现的连续运动目标漏检问题,本文在目标检测过程中加入了基于卡尔曼滤波算法的目标跟踪模块,对每一个检测到的目标都进行一段时间的持续跟踪,将得到的检测边缘框与跟踪边缘框使用匈牙利算法进行最优匹配,以改善YOLO-tiny检测时出现的目标丢失现象,充分利用了道路视频中上下帧之间的信息关联。最后本文设计了多个对比实验,通过性能指标与同一视频流连续图像帧中实验结果的分析,验证了本文所述目标检测算法具有良好的检测精度与实时性。