随着5G技术的兴起,无人车开始试验性落地,自动驾驶已成为技术领域的热点。基于图像的车辆检测作为自动驾驶中的基础技术之一,利用车载摄像头捕获前方车辆图像并对其中的车辆进行检测对于自动驾驶的应用尤为重要。不过,在复杂场景中由于图像中的车辆常出现遮挡的情况并且远处的车辆很小等缘故,这对于检测算法的准确性与鲁棒性仍然是不小的挑战。随着近些年深度学习的不断发展,基于深度学习的车辆检测算法也成为目前热门的研究方向。在现阶段国内外的研究中,基于深度学习的车辆检测算法主要分为两大类:两阶段检测算法与一阶段检测算法。以Faster R-CNN为代表的两阶段检测算法将整个检测过程分成了两个阶段:区域候选与分类回归。而以YOLO和SSD为代表的一阶段检测算法则采用端到端的方式,直接得到预测框。由于一阶段检测算法具有速度快的优点,能在较高的检测精度下兼顾实时性,因而更具现实性,深受广大学者的欢迎。本文主要研究基于一阶段检测算法的车辆检测。在回顾了研究背景、研究现状和基础理论后,提出了两个改进的车辆检测算法。针对主干网络特征提取能力不足、对预测框的筛选不够细致等问题,提出了基于改进的YOLOv3的车辆检测算法。该算法通过在主干网络Darknet-53中引入SE块,利用注意力机制来加强特征图通道间的信息,以此来增强主干网络的特征提取能力。在预测阶段,通过高斯加权的Soft-NMS算法来取代常规的NMS手段,从而有效改善对预测框的筛选过程,并且这个改进无需重新训练模型。实验表明,该算法优于现有的基于YOLO系列的检测算法。针对预设先验框与车辆数据集的匹配度不高、预测网路的特征提取能力不足、损失函数的惩罚不够有效等问题,提出了基于改进的RFBNet的车辆检测算法。首先,使用K-means算法来选取适合车辆数据集的先验框,以此避免手工选择带来的先验框不合适的问题。其次,改进预测网络中的RFB模块,通过添加额外的卷积分支来增加视野,从而提升网络的特征提取能力。最后,改进框回归损失函数,使用CIoU损失来提高回归偏差的惩罚效果。实验表明,该算法优于现有的基于SSD系列的检测算法。