道路交通目标的检测与识别是智能交通运输系统的关键环节,能够定位交通中车辆、行人目标的具体位置并输出目标的所属类别,对研究智能化交通有非常重要的意义。传统目标检测识别方法已取得了不错的效果,但是易受到背景和光线明暗变化的影响,存在识别精确度较低等缺点。本文主要研究了基于深度学习的目标检测与识别算法,重点解决了相似型车辆难区分以及图像有效信息利用不足等问题,主要工作如下:(1)针对难以对相似型车辆进行更加精细准确分类的问题,提出一种基于残差网络改进的小型车辆目标检测与识别的算法。算法将原有卷积神经网络的构成模式改为一种基于局部连接和权值共享的残差模式,并优化网络模型以减小复杂度,将图像前层提取到的低层特征和后层提取到的高层特征融合合并计算,应用感兴趣区域池化方法将其统一化成大小相同的特征矩阵,最后经过分类层和回归层得到目标框的置信度以及修正参数。实验表明,改进的模型能够在保证时间效率的前提下增强网络的学习能力,提高检测平均精度,在相似小型车辆的检测问题上取得了良好的检测结果。(2)针对日常道路交通图像中冗余信息过多、有效信息利用不足以及图像中较远、较模糊目标难以精确识别的问题,首先将卷积注意力模块(Convolutional Block Attention Module,CBAM)引入交通目标检测与识别算法中,CBAM模块结合了通道和空间注意力机制,前者侧重于描述目标“是什么”,后者侧重于描述目标“在哪里”,二者融合增强特征表达能力,该方法相比于传统单一的注意力模型具有更好检测识别的效果。其次使用一种双分支感兴趣区域池化层的方法对算法进行改进,利用图像的多层特征,将候选区域映射过程分为两路,分别映射至包含粗、细粒度的特征图中,再将两条分支相融合提高对图像细节的刻画能力,从而提升对交通目标的检测效果。最后使用以上两种方法对Faster-RCNN算法进行改进,从四个不同角度分别设计实验并验证算法的有效性。实验结果表明,改进后的模型在道路交通目标检测与识别问题中取得了较好的效果。