辅助驾驶系统和自动驾驶系统的研究与发展使得交通场景中的目标检测任务己经成为当前目标检测研究领域内的重要分支,其研究内容包括行车道路中的障碍物检测、行人检测、车辆识别与车道线的检测等。实际的交通场景中普遍存在着目标之间的遮挡、光线明暗不均以及小目标众多等影响因素,复杂的交通环境使得大多数目标检测算法对小目标和目标间的遮挡等问题的检测性能较差。目前与基于传统图像处理的目标检测方法相比,大多数基于深度学习的目标检测方法在检测精度和实时性上己经取得了较大突破,该类方法也越来越多的被应用于智能化的交通系统中。本文研究基于深度学习的交通场景多目标检测系统的基础理论和实现方法,围绕SSD目标检测模型研究数据集聚类分析、特征提取网络的搭建和多尺度特征融合等关键技术。针对SSD目标检测模型的骨干网络VGG-16的特征提取能力较弱且参数量较大的问题,提出一种基于Dense Net的目标检测模型D-SSD。首先将重新设计的特征提取网络Dense Net-S-32-1用来替换SSD的骨干网络VGG-16,在保证检测精度的前提下减小模型的参数量与计算量。其次将KITTI交通场景数据集中的真实标注框进行K-means聚类分析,重新划分D-SSD模型中默认框的尺寸和宽高比来进一步提高模型的检测精度。最后设计对比实验分析D-SSD模型的每个设计模块的有效性。实验结果表明,D-SSD与原始SSD模型相比检测精度有了较大提高,且D-SSD模型的参数量仅为SSD模型的1/8,检测速度也可达到实时要求。针对交通场景中小目标检测难度较大且待检测目标普遍存在相互遮挡的问题,提出一种基于Dense Net和特征融合的目标检测模型DF-SSD。首先将Dense Net-S-32-1作为DF-SSD模型的骨干网络,其次利用空洞卷积和反卷积设计多尺度特征融合模块加强DF-SSD特征层之间的特征互补,最后为每一个用于预测的特征层构建残差预测模块。实验结果表明,DF-SSD在KITTI数据集上可以达到87.3%m AP的检测精度,相比于原始SSD模型有了大幅提升,同时DF-SSD的模型参数量仅为SSD的1/6且DF-SSD的检测速度也可达到实时要求,有效改善了SSD模型对小目标的检测性能。基于以上目标检测算法和关键技术的研究,本文设计并实现了一种基于深度学习的交通场景多目标检测原型系统。系统采用B/S架构,将DF-SSD作为系统的目标检测模型,并使用Web应用程序框架Flask将训练好的DF-SSD模型在Windows上进行部署,用户可通过浏览器上传待检测图片,经服务器处理后返回图片检测结果并在浏览器中进行显示。DF-SSD目标检测模型的参数量较小,也可部署在计算资源有限的移动端、辅助驾驶系统和自动驾驶系统中。