随着经济的迅速发展,个人机动车保有量急剧增长,导致交通事故频发。对道路车辆及行人进行实时、准确的检测有助于提前发现安全隐患,及时向驾驶员发出预警,有效降低交通事故的发生率。基于机器视觉的目标检测技术,是目前实现车辆行人检测的主要手段。近年来,随着深度学习的迅速发展,通过深度卷积神经网络及大数据支撑,将机器视觉与深度学习相结合,大量基于深度学习的方法被用于目标检测,提高了检测的效率和准确率^[1]。本文基于深度卷积神经网络对车辆行人检测算法进行研究,主要研究内容如下:（1）基于道路车辆及行人目标的数据增广方法。针对当前多类别开源数据集在特定目标及复杂场景下代表性不足、样本难例涵盖较少等问题,通过网络爬取和车载摄像头采集的方式获取不同场景下的道路图像,提出适用于光照多样性场景的图像预处理算法,建立车辆行人数据集,对实验数据进行增广。（2）复杂背景下的道路区域提取方法。针对实际交通场景中背景复杂导致目标特征提取困难的问题,提出基于无监督学习和车道线检测技术的道路区域提取方法,缩小深度卷积神经网络的检索范围,提高模型的检测速度。（3）基于改进TINY-YOLO网络的车辆行人检测模型设计。针对当前车辆行人检测算法在复杂道路场景下准确率较低、鲁棒性较差等问题,提出了一种改进TINY-YOLO网络的车辆行人检测方法。改进方法主要包含2个方面:对TINY-YOLO网络结构进行改进,实现多层特征的融合和复用;通过采用K-means聚类分析、多尺度训练、数据增强、交替训练等策略,优化模型的训练过程。通过对比实验,验证本文模型对于复杂道路场景中车辆行人实时检测的有效性和先进性。实验结果表明,本文提出的改进模型对于复杂场景中车辆及行人检测的精确率和召回率分别达到94.27%、91.75%,检测速度达到75帧/秒,满足实时性要求的同时,将m AP提高了1.3%。测试模型对不同目标尺度、不同遮挡程度和不同光照等场景具有更好的鲁棒性。最后将在高性能主机下训练好的检测模型植入嵌入式系统,并在移动端应用中取得较好的检测效果。