随着经济的快速发展,交通环境的日益复杂,对于建立智能交通的需求变得日益迫切。基于深度学习的目标检测技术已经被广泛地应用于监控交通中的车辆,但当前的目标检测算法不能充分利用视频流中的时序信息,对视频中移动目标的检测精度较低。为解决该问题并充分利用已有目标检测网络的优点,本文提出并优化了融合长短时记忆网络的LSTM-YOLOv3目标检测算法,并在监控视频数据集UA-DETRAC上进行了实验,实验验证了融合算法对移动车辆检测的有效性。本文的主要工作如下:第一、设计了具有良好可扩展性的LSTM-CONV结构,基于这一结构提出了LSTM-YOLOv3融合目标检测算法。该算法兼顾了YOLOv3的多尺度检测效果和LSTM的时间和空间的连续性,使其更适合在视频流的目标中应用。实验证明,本文所提出的融合网络模型精度提高了5%,同时在遮挡和模糊情况下都具有非常好的检测效果。第二、对本文所提出的LSTM-YOLOv3融合算法进行了改进。本文将Mosaic数据增强、k-means++聚类算法、CIOU损失、焦点损失、Si Lu激活函数等一些新策略引入到算法中用来提升网络的性能。具有良好性能的Mosaic数据增强策略用来提升网络的检测精度,k-means++聚类算法用于生成更符合车辆检测的锚框,CIOU损失和焦点损失分别用于加快网络的收敛速度、解决正负样本不均衡问题,具有良好特性的Si LU激活函数使得网络模型的非线性表达能力增强。实验结果表明,改进的融合检测算法的m AP达到91.2%,验证了改进方法的有效性。