截至目前,中国高速公路总里程已达16.1万公里,已建成全球最大的高速公路路网,尽管这给人们带来了方便快捷,但也引发了一系列严重的交通问题。高速公路位置较偏僻且车辆时速快,一旦发生交通事件往往较为严重。传统的人工监控方式仍是目前高速公路交通事件检测的主要方式,人工监控方式成本较高且难以快速检测到事件的发生。本文采用深度学习检测算法对高速公路交通事件检测深入研究,以提高事件检测实时性和精确度为目的,建立高速公路交通事件检测模型。对高速公路交通事件进行分类定义,将行人闯入和车祸定义为交通事故,将车辆逆行、超速定义为交通违章事件。通过收集多场景及不同环境下的高速公路监控视频及图片数据,对视频图像进行筛选处理,并建立检测模型要求格式下的车辆、行人、车祸数据集,为建立检测模型提供数据支撑。为了满足高速公路交通事件检测的实时性和高精确度要求,本文采用基于深度学习的目标检测算法设计高速公路交通事件检测模型。根据影响模型性能的因素,从锚框机制、多尺度特征层、网络轻量级和非极大值抑制四个方面提出基于深度学习YOLOv4的交通事故检测算法改进策略。使用K-means++算法对模型重新聚类,提高模型收敛速度;由于高速公路上摄像头固定,车辆、车祸及行人目标尺寸大小会发生变化,选取并融合多种尺度的特征图进行预测来提升对高速公路交通事故检测能力;为了满足高速公路交通事件检测实时性要求,采用深度可分离卷积来代替标准卷积;为了防止因目标重叠发生漏检情况,将NMS替换为Soft NMS。最终通过实验对比改进前后的网络模型对交通事故的检测效果,确定采用YOLOv4改进后的检测模型实现对交通事故及车辆的检测。考虑满足实际高速公路下交通违章检测实时性的要求,本文提出将基于Deep SORT多目标跟踪算法中的表观特征提取方式改进为HOG特征提取方式,将改进后的深度目标检测网络YOLOv4与目标跟踪算法Deep SORT相结合,对高速公路监控视频中的车辆进行跟踪并提取车辆轨迹特征,通过车辆轨迹特征结合违章事件的具体算法,对视频中出现的车辆逆行、超速交通违章事件进行判别。本文以实现高速公路交通事故（车祸、行人）及交通违章（逆行、超速）的检测为目标,以提高高速公路交通事件检测实时性和精确度为目的,建立高速公路交通事件检测模型,实验结果表明,本文建立的模型能满足高速公路交通场景下事件检测高实时性和精确度的要求。