随着车辆保有量的持续增长,我国面临着愈发严峻的交通安全形势。发展高级驾驶辅助系统（Advanced Driving Assistance System,ADAS）,通过对车辆周围的环境进行感知与分析,并对潜在的危险进行预警,对于保障行车安全具有重要意义。实时准确地获取道路上行人与车辆等物体的位置和尺寸,是ADAS进行决策的先决条件。基于单目视觉的测量方法因为具有信息获取丰富和实时性高等优点,近年来被广泛关注。由于目标检测是目标测量基础,因此检测算法的精度严重影响着目标测量的精度。本文充分利用深度学习的优势,提出一种驾驶场景下的高性能目标检测算法,并结合目标检测结果,提出一种基于几何关系推导的单目视觉测量算法,主要内容如下:本文根据KITTI交通场景数据集的统计特征,对YOLOv4目标检测算法进行改进。针对该数据集图像横纵比大和样本分布不均匀的问题,提出一种Ladder数据增强策略,避免了由Mosaic增强导致的图像失真和大量样本丢失的问题。针对该数据集类别样本数量不平衡问题,使用大类别欠采样策略进行训练时图像加载。此外,通过引入单阶段无头（Single Stage Headless,SSH）上下文模块,进一步增加了网络模型的特征提取能力。实验结果表明,改进的YOLOv4算法在KITTI数据集上的检测精度相比于原始算法提高了46.4%,并且对于不同类别的检测精度更为平衡。本文在现有的几何测距模型基础上提出一种基于几何关系推导的单目测量算法,该算法根据改进的YOLOv4算法的输出检测框进行参考点选取,能同时完成目标物体距离和尺寸的测量。由于摄像机内外参数对测量精度影响较大,因此在测量前需进行相机标定。实验结果表明,本文提出的测量算法具有较高的测量精度和速度,适用于车辆驾驶场景的目标测量,对于发展高性能ADAS具有重要意义。