随着居民人均可支配收入的不断提高,汽车逐渐成为我国人民日常生活中不可替代的交通工具。由于汽车使用量的逐年攀升,安全驾驶、交通拥堵等问题也愈发加剧,而大力发展汽车产业的智能化转型正是解决类似问题的关键。车辆检测作为目标检测中的重要方向,可应用于无人驾驶、交通流量信息统计、智能停车等新型智慧交通领域,最大限度地缓解交通问题,提高人民的生活质量。在目标检测算法中,基于无锚框的检测算法可以减少网络中超参数的产生,降低超参数调参对网络结果的干扰,防止使用锚框导致的正负样本不均衡、计算复杂等问题,因此本文将无锚框的单阶段全卷积网络（Fully Convolution One-Stage,FCOS）引入至车辆检测任务中。在实际应用场景下,道路交通信息较为复杂,车辆位置信息变动较大,易出现车辆间相互遮挡等干扰情况,使检测过程中的特征信息提取不充分,导致检测精度下降、甚至出现目标漏检等问题。因此,为了能够更充分的融合特征信息,提取深层特征,提高车辆检测的检测精度,本文以无锚框的单阶段全卷积网络为基础进行了研究改进,主要的工作内容如下:1.基于注意力机制的车辆检测算法:本文使用了Res Net101作为FCOS网络的骨干网络,将通道注意力机制（Efficient Channel Attention,ECANet）引入至骨干网络中,使其拥有调整通道间权重的能力,从而突出重点特征,抑制次要特征,提高网络的特征提取能力。针对该注意力机制通道间交互不均匀导致信息损失的问题,提出了基于多尺度注意力机制（Multiple Efficient Channel Attention,MECANet）的车辆检测算法,促进注意力机制中多通道间的信息融合,使其更好地进行跨通道交互从而提取全面的特征信息。在KITTI数据集上检测精度m AP值相较于基准网络提升了1.7%,在BIT-Vehicle数据集上检测精度m AP值相较于基准网络提升了1.1%,从而验证了本章方法的有效性。2.基于自适应空间特征融合的车辆检测算法:在真实的检测场景中,为了深层次提取目标特征,往往会使用较深的网络结构,但随着网络层数的加深,浅层信息得不到充分利用,会导致部分重要信息丢失。基于这些问题,本文在特征金字塔模块中融入了自适应空间特征融合（Adaptively Spatial Feature Fusion,ASFF）模块,过滤冲突信息,增强特征融合,并针对车辆检测过程中目标车辆易出现形变的问题,采用了可变形卷积（Deformable Convolution Net,DCN）来适应各类形变的目标,使用GIo U损失函数代替Io U对目标进行预测,最终提出了基于自适应空间特征融合的车辆检测算法。经实验验证,本算法在KITTI数据集上检测精度m AP值与基准网络相比提升了2.2%,拥有更好的检测性能。