交通场景的目标检测是自动驾驶,智能交通等领域的研究热点与难点问题,由于交通场景的目标检测十分复杂,容易受到天气状况、光照强度、截断遮挡等影响,在特征提取过程中面临着巨大的挑战。近年来随着深度学习技术的发展,尤其是卷积神经网络的强大特征提取能力,涌现出一大批基于深度学习的目标检测算法。深度学习的目标检测算法较传统算法在检测性能上更具鲁棒性,为交通场景的目标检测带来新的机遇。本文在深度学习算法的基础上针对交通场景中的目标密集,相互遮挡现象明显,且小目标较多容易造成漏检的问题,进行了研究与改进,本文的主要工作如下:(1)详细分析了深度学习在交通场景目标检测的适用性,对比了基于区域建议和基于回归的两类深度学习目标检测算法,综合考虑算法的精确度和实时性两个方面,选择YOLOv3算法作为本文的基础模型。(2)针对YOLOv3目标检测模型中残差网络Res Net存在的参数利用率低的问题,设计了一种以Dense Net网络为主体的密集连接检测算法dense＿YOLOv3,Dense Net相比Res Net增加了特征复用,有效利用了特征参数,能够避免由于网络过深而导致的过拟合问题。在Dense Net网络结构中嵌入一种注意力机制SENet,SENet能够有效的防止背景信息的干扰,学习特征图的各通道特征的重要程度。最后对交通场景的数据集重新聚类,得到适合本文的最优anchor,利用迁移学习对网络模型重新训练和测试。经过改进网络后的SE dense＿YOLOv3能够更加准确的识别目标位置,消除干扰,具有很强的鲁棒性。在INRIA行人检测数据集和KITTI数据集上平均准确率分别提升了5.7%和6.32%。(3)针对复杂交通场景中极易出现的目标密集,位置接近造成的目标漏检、同一检测框中包含多个目标的问题,在SE dense＿YOLOv3的基础上提出一种针对性遮挡回归损失函数Occlusion Loss。Occlusion Loss有两个作用:一是指导神经网络学习检测框和真值框匹配程度得到更为准确的位置信息;二是在学习到位置信息后尽可能减少一个检测框有多个被检测目标的情况。在重新划分的交通场景数据集KITTI上进行训练和测试,实验结果表明改进的算法在定位上更加准确,平均准确率上较改进前提升3.29%。