近年来,随着深度学习技术的出现与不断发展,目标检测算法提取图像特征的方式转变为使用神经网络自主学习并提取目标图像特征。与传统的目标检测算法相比,神经网络提取的特征更加抽象与复杂,特征具有更好的表达能力,这也是深度学习与目标检测结合的主要原因之一。而对于无人驾驶来说,目标检测技术的发展也进一步提高了无人驾驶环境感知能力,使得无人驾驶车辆可以更加快速安全地对道路环境做出实时反应。目前的很多深度卷积神经网络在图片分类领域有着较高的精度,但要实现对道路目标的实时检测,就需要设计一个合适的深度学习模型。模型不仅要易训练,易收敛,同时还应有较好的时效性、泛化性、易用性。目前的主流目标检测模型主要应用于大型的目标检测项目,而道路目标需要的是更好的精度以及时效性。本文收集校园环境视频,制作出校园道路环境图片集,并对图片进行逐一标注。制作了校园道路数据集,并用于多类别模型训练和测试。为了兼顾目标检测的速度与精度,本文在原始SSD算法的基础上提出了一种改进的SSD算法,并将其应用于道路环境车辆目标的检测。设计了一个目标检测网络结构,对高层特征图不进行降采样,使用空洞卷积和深度可分离卷积层来提高模型性能,并使用K-means算法来对模型参数进行优化。用改进算法和原SSD算法在Udacity道路环境数据集上进行对比实验,实验结果表明,该算法对车辆目标检测的平均精准度达到了58.01%,检测速度达到了86.26FPS,相比原SSD算法有明显提升。针对多类别道路目标检测,本文提出了一种基于Focalloss的SSD算法,该算法使用Focalloss损失函数来代替原始SSD算法中的类别损失函数,同时使用Mobile Net作为基础特征提取网络,来完成多类别道路目标检测任务。通过实验验证,Focalloss可以有效地提高单步目标检测算法的检测效果,同时也可以提高多类别目标检测中的少量类别检测能力。