人工智能与汽车领域相结合衍生出的自动驾驶已成为研究热点。自动驾驶的关键技术包括感知、规划和控制三部分。感知部分包括环境感知和精确定位,主要是指环境目标的类别辨识与状态检测。控制部分需要根据汽车周围物体的类别与状态作出相应的规划与决策,故而目标识别成为自动驾驶领域的核心技术。较为传统的目标识别算法依靠先验知识设计识别模型,泛化能力明显不足,而基于深度学习的目标检测模型可以自主有效地提取多类目标特征,极大提高了泛化能力。Faster R-CNN在多目标检测领域得到了广泛应用,其中区域候选网络的引入为候选框的有效生成提供了有力的技术支持。本文在FasterR-CNN基础上提出一种优化区域候选网络,用以进一步提升候选框生成能力,从而达到提高目标检测精度的目的。主要工作和创新点如下:（1）对已有的跨层连接网络进行深入分析,提出细化版多卷积层特征融合策略,以融合更具代表性的卷积层特征信息。同时针对max-pooling在特征图上主要提取明显特征而容易造成细微特征或细小目标特征丢失的情况,提出一种概率选择性池化方法替代特征融合过程中conv2＿2输出特征图上所使用的max-pooling。该方法通过综合average-pooling和max-pooling的特点,达到合理提取明显特征与细微特征的目的,从而进一步提升池化能力。（2）提出在区域候选框生成网络的cls-layer上使用核函数为径向基函数的SVM分类器代替Softmax Regression同时使用粒子群遗传算法代替Grid Search算法来对常数C和?的取值情况进行优化,以避免检测精度陷入局部极值。（3）提出基于量子遗传算法的参数优化方法替代Grid Search算法来设置学习率下降因子?和鲁棒损失smooth_{L 1}函数中的因子?和?等参数,进一步避免检测精度陷入局部最优。为验证本文所提优化区域候选网络的可行性,使用KITTI数据集进行训练与测试。实验结果表明改进后的FasterR-CNN在检测精度方面相较于原始FasterR-CNN有大幅提高,尤其在小目标识别方面效果更为明显。