无人驾驶是保障交通安全与提升舒适驾驶的重要技术,交通场景多目标检测与分割技术在无人驾驶场景理解中起着关键作用。交通场景中随时出现的行人、车辆、交通标志以及交通灯,受到遮挡、光照不均匀以及恶劣天气等因素的影响,加剧检测与分割难度。针对多目标检测与分割准确性、鲁棒性与实时性的需求,本文应用计算机视觉与深度学习,研究交通场景多目标检测与分割改进算法,在此基础上完成了一款可搭载移动端的检测与分割智能系统。主要研究工作内容如下:概述交通场景多目标涉及的类别,介绍训练改进网络采用的经典数据集。探讨并分析目标检测、图像分割常用的经典方法与基于深度学习的方法,提炼出如何开展多目标检测与分割工作方案。剖析了算法部署的Caffe、Tensor Flow深度学习框架及其运行机制。为了解决交通场景多目标检测方法效果差、检测速度慢等问题,设计一种改进的Faster R-CNN算法。通过改进Ro I网络层结构,实现交通场景小目标特征信息在网络高低层间的完整传递,解决小目标检测精度较低的问题。采用双线性内插算法替代两次量化算法,使得网络内部的特征聚集变得连续,有效提升算法的运算能力且降低算法时间损耗。以国内外主流开源数据集与自制数据集作为总数据集,保证改进网络能够有效学习目标特征。调整超参数得到的多目标检测改进网络在后续开源数据集测试实验中展示了良好的快速性与鲁棒性。针对交通场景多目标分割精度低、鲁棒性差等问题,设计一种改进的Mask RCNN交通场景多目标快速分割方法。采用轻量级Mobile Net作为主干网络,减少内部参数并有效降低模型体积,提升移动端的算法移植能力。优化FPN网络与主干网络的卷积计算方式,使得目标特征信息在金字塔内有效运用,确保小目标精确分割。替换归一化函数并调整超参数获得改进交通场景多目标分割模型。实验验证中,改进网络在伯克利BDD-100K、百度Apollo Scape、自动驾驶Nu Scenes数据集等国际认可数据集上取得较好效果,平均检测精度可达88.2%,单张图像检测速度可达0.402秒,适应多种复杂交通场景完成多目标的快速分割。基于交通场景移动端多目标检测与图像分割的实际需求,设计一种多目标检测与分割智能系统实现方案。设计了系统的硬件移动平台与软件工作模块,并介绍了系统的工作流程以及不同运行模式。在开展的多组智能系统评估实验中,系统在保证实时性前提下,以较高准确率完成多目标检测与分割,为智能驾驶以及无人驾驶领域中的交通场景多目标检测与分割问题打下了理论算法与实际应用的基础。