随着我国经济发展,汽车保有量持续上升,交通事故也逐年递增,为减少交通事故造成人员伤亡和经济损失,相关部门制定规则强制要求营运客货车具备主动安全功能,车辆和行人检测作为其主要技术,行车环境下车辆和行人检测也作为智能汽车不可或缺的组成。与其他传感器相比摄像头更具优势,因此基于视觉的车辆和行人检测成为各大汽车厂商的首选方案。而目前由于车载平台下硬件性能的局限性,现阶段检测算法均难以实现精度和速度的结合,所以提高车载平台下车辆和行人检测精度和速度具有重要意义。本研究针对车载环境下车辆和行人检测任务所开展的工作:（1）概述卷积神经网络的基础知识,总结分析现有目标检测算法的原理及目标检测领域中应用到的评价指标,为本文车辆和行人检测算法提供理论基础。以检测精度和检测速度为指标,现有目标检测算法在嵌入式平台下难以实现车载视觉环境感知任务,针对车载平台提出一种快速车辆和行人检测（Fast Vehicle and Pedestrian Detection,FVPD）模型。（2）通过行车环境分析,总结车载视觉环境感知在外界环境和车载平台部署的难点。从行车视频中选取185363张图像以PASCAL VOC数据集格式制作数据集,按照60%、20%、20%比例划分训练集、验证集和测试集。设计FVPD模型输入并通过图像处理算法增强模型泛化能力。借鉴一阶段目标检测算法思想,以深度可分离卷积、残差网络融合卷积块注意力模块、空间金字塔池化、路径聚合网络和自适应空间特征融合为基础搭建FVPD模型,采用卷积神经网络直接预测目标信息。（3）通过将交并比作为距离公式改进K-means++聚类算法,从数据集中获取九组不同尺寸的锚点框。为提高FVPD模型对相互遮挡和临近目标检测精度,以CIo U和交叉熵作为FVPD模型的损失函数,通过引入中心距的非最大值抑制算法筛选冗余信息。制定FVPD模型训练策略,借助Tensorflow框架搭建并训练,得到模型权重。实验室环境下,从多方面对FVPD模型进行分析验证。（4）针对车载部署环境选取Jetson Xavier NX模块作为FVPD模型部署芯片,设计嵌入式系统硬件平台部署方案,仿照实验室软件环境进行模型部署,检测速度仅1.56帧/秒,无法满足实际车载视觉环境感知任务。优化FVPD模型部署方案,使用推理引擎Tensor RT在C++环境下以半精度方式部署。