自动驾驶是当前的热点研究内容,目标检测是自动驾驶领域的一个基本任务。自动驾驶领域的目标检测算法早期采用传统检测算法,依赖于手工特征的提取,随着卷积神经网络的广泛应用,深度学习检测算法快速发展,但仍存在一些问题需要进一步解决。第一,深度网络参数多,计算量大,检测速度慢,内存占用量大,难以在嵌入式设备上部署。第二,夜间行车过程中,光照条件差,图像清晰度较差,车辆检测难度大。第三,检测框位置不够精准,车辆划分不够精细化。本文根据这三个方面开展研究,主要研究内容如下:(1)为了提升检测速度,在训练阶段,将轻量级网络Mobile Net V2作为主干网络融入YOLO算法,同时融入空洞卷积并调整损失函数中小目标物体的权重来从训练阶段弥补轻量级网络带来的精度损失。(2)在检测阶段,选取合适的ROI区域进行两级检测,通过弹性非极大值抑制进行检测框的去冗余,从检测阶段来弥补轻量级网络带来的检测精度下降。通过训练阶段和测试阶段的改进,在不损失过多检测精度的基础上提升了检测速度,降低计算量与模型内存占用量,为实现嵌入式设备的部署提供可能。(3)将本文的轻量级网络的YOLO算法应用于夜间行车检测及车辆精细化分类回归中。实验结果表明,在夜间行车检测中,本文方法相比传统手工特征提取,可以学到更抽象的特征,得到较为满意的检测效果。在精细化分类回归任务中,在本文算法的基础上有效地实现了检测框的再回归,使检测框位置更为准确,同时实现对前车、侧车、后车的精细化分类,为后续任务奠定基础。