当前阶段人工智能技术的迅速发展加快了汽车行业的变革,汽车的智能化迎来了新的发展机遇。智能车辆的发展对于解决交通拥堵,促进城市数字化建设具有重要的意义。针对交通道路场景,本文基于深度学习的目标检测方法和立体视觉相融合的车载环境感知方法展开研究,为智能车的决策控制奠定基础。首先,为了兼顾目标检测算法在车载嵌入式平台的实时性和精确度,对不同的目标检测方法进行对比分析,选定Yolov3-tiny作为交通场景下目标检测的基本框架,构建基于Yolov3-tiny的目标检测系统。在此基础上,通过实验分析Yolov3-tiny模型应用于交通场景目标检测中所存在的不足。然后,针对Yolov3-tiny模型的漏检和重检问题,对其网络结构进行改进,增加检测尺度和主干网络深度;同时对网络模型参数进行优化,采用K-means聚类算法针对数据集中交通场景目标的anchor box宽高进行聚类,通过对比分析确定最优的anchor box数量。在交通场景中检测自行车(bicycle),公共汽车(bus),汽车(car),摩托车(motorbike),人(person)共5类目标,训练后得到robust-yolov3-tiny模型,在满足实时性要求下,提高检测精度,并增强对小目标的检测效果。最后,在robust-yolov3-tiny模型检测的基础上,与立体视觉技术融合,对目标检测框的大小进行修正,改善目标检测框偏大或偏小的情况,进一步提高目标检测框和真实框的IOU值。通过引入卡尔曼滤波目标跟踪算法降低漏检率,从而提升目标检测框的稳定性。在此基础上,分别计算检测到的目标相对于本车的纵向距离和横向距离,并对其运动状态进行估计。