近年来,自动驾驶在汽车和人工智能行业刮起了一股研究热潮。在汽车自动驾驶技术中,复杂环境中目标物体的识别和判别是一项高难度的挑战,也是需要解决的重点任务之一。目标检测不仅是计算机视觉研究中的重要分支,也是自动驾驶系统中的一个关键环节和任务。由于实际道路况的复杂性,基于传统目标检测的辅助汽车驾驶技术性很难得到大幅度提升。在自动汽车驾驶的目标检测应用中,车辆检测和行人检测是最常见的检测任务。由于在实际汽车路况中,自动驾驶前车中车辆和行人检测的效果易受到光照,拍摄角度、天气、遮挡等影响。目前的R-CNN系列算法是目标检测领域中最常用的深度学习算法。该系列算法虽然在实验中拥有较高的检测精度,但由于网路复杂性会在实时检测性时产生交高的延迟性,使得该系列算法很难在工业应用中推广。基于回归方法的端到端YOLO系列算法不仅降低了卷积网络复杂性,还满足了工业应用中实时检测要求。本文基于目前工业中最新YOLOv3算法提出一种适用于自动驾驶环境下的车辆和行人多目标检测FL-YOLO系统。本文基于YOLOv3算法针对自动驾驶中车辆和行人的多目标检测存在问题,从如下三大方面提出了FL-YOLO系统的优化:(1)为了解决车辆驾驶中,YOLOv3算法对大尺寸目标存在的漏检问题,FL-YOLO系统改进了YOLOv3中的特征提取网络结构,了更多比YOLOv3的尺寸的特征图。(2)为了解决实际城市目标密集路况中,行人和车辆的相互遮挡所造成的模型召回率低和漏检问题。FL-YOLO系统中借鉴了排斥损失函数思想,在模型训练损失计算中引入了两个损失排斥项。(3)为了减少网络复杂性对检测速度带来的影响。FL-YOLO系统在架构上采用并行处理的模式,并在YOLO检测各个功能之间使用缓存区队列来减少检测中计算等待时间。