随着人工智能和计算机视觉的不断发展,车辆检测算法在智能交通监控系统、智能交通运输系统和智慧城市之中扮演着重要的角色。它是实现车辆路径轨迹预测、异常行为驾驶检测和犯罪行为追踪等技术的先决条件。目前,基于深度学习的车辆目标检测算法已得到了极大的发展但是面对监控场景条件下还存在如下问题制约着该领域的进一步发展:（1）相机角度变化车辆速度与型号不同造成的尺度变化问题,（2）卷积神经网络对部署设备算力的需求高导致的检测速度过低问题无法满足实时检测问题,（3）嵌入式平台部署困难等问题。因此,本文基于深度学习目标检测算法,研究在监控视频场景下的检测车辆位置和基本型号的车辆检测算法,并根据算法逻辑和嵌入式部署的性能和速度需求提出一系列改进策略。本文的主要贡献在于:（1）为了应对车辆尺度变化问题,提高检测准确率和检测速度,本文在原YOLO车辆检测框架的基础上,提出了基于多分支感知增强网络的车辆检测算法。其主要思路是在卷积层使用不同空洞卷积率的空洞卷积,用来提取不同尺度的图像特征。首先,尺度感知策略会将训练集中不同车辆尺度大小进行聚类运算并标记为3个不同尺度区间。之后,在底层主干网络将根据尺度区间使用多尺度空洞卷积模块对输入图像进行特征提取。该模块参考了残差网络结构,不同分支采用相同的网络结构和计算参量只通过不同空洞率控制图像感知域大小且共享权重从而提高了训练检测效率。实验表明,改进的算法在检测精度上综合提高了6.5%,并且提高了检测速度,有效的克服了车辆尺度变化问题。（2）为了优化网络结构提高算法检测速度,降低对设备的算力需求,本文在原有自动剪枝算法基础上提出了一种新型的结构化自动剪枝算法。首先针对车辆检测的深度卷积神经网络模型采用启发式搜索对模型进行快速剪枝和性能评估以获得符合性能的超参数。之后根据整体超参数设定使用交替乘子优化法将网络剪枝问题分解为利用梯度下降和欧几里得映射解决的子问题逐一解决实现。最后,实验证明,改进的结构化自动算法可以有效针对深层次的卷积神经网络进行剪枝优化,在分类网络中可以达到综合1.8倍的压缩率。（3）为了进一步提高算法性能并实现实际部署,本文基于NVIDIA公司的Jetson TX2深度学习开发平台,对改进的车辆检测算法进行了硬件部署之后通过改进的剪枝算法和GPU驱动加速框架进行进一步优化,最终实验验证算法满足嵌入式部署的速度和性能要求,并以该检测算法为基础设计了完整的车辆检测系统证明了深度学习车辆检测算法实际嵌入式部署的可行性。