智能交通系统在缓解交通压力、提高交通效率和保障交通安全等方面发挥着重要作用,一直受到人们的广泛关注。车辆前方目标的自动检测是智能交通系统的重要组成部分。另一方面,随着深度学习技术的飞速发展,利用深度神经网络进行目标的检测与分类己经成为近些年来业界的共识。因此,本文采用基于深度学习的方法,针对道路目标检测中目标尺寸较小、目标全时段检测及目标样本不均衡等问题进行深入讨论,具体的研究工作及成果如下:(1)针对交通标志尺寸较小的问题,本文基于Faster R-CNN(Faster Region-based Convolutional Neural Networks)检测算法,搭建并实现了特征金字塔网络,综合利用粗粒度与细粒度特征进行交通标志的检测。实验结果表明,本文所用方法与原始Faster R-CNN相比,交通标志的检测精度得到了大幅提升,相比其他同类算法的检测性能也表现出了一定的优越性。(2)针对机动车的全时段检测问题,本文在R-FCN(Region-based Fully Convolutional Networks)检测算法的基础上,设计并实现了一种新的全时段机动车检测框架。该框架以检测性能为目标,自适应划分不同的光照环境,实现机动车的全时段检测。实验结果表明,本文提出的框架不仅在一定程度上改善了机动车的检测性能,而且大幅度节约了计算资源,实现了检测系统的整体优化。(3)针对多类目标同时检测时的样本不均衡问题,本文提出了一种目标检测分级结构,实现道路场景中行人、机动车、交通标志、障碍物等常见目标的同时检测。除数据增强外,所提方法利用分级检测的思想,对道路场景中样本较少的交通标志进行由粗到细的两级检测。实验结果表明,本文提出的策略可以缓解多类目标同时检测时的样本不均衡问题,提高多类目标同时检测的整体精度。综上所述,本文针对前方道路目标检测中的多个问题,提出了较为有效的解决方案,一定程度上改善了小目标检测、全时段检测及多类同时检测的效果,为后续辅助驾驶及自动驾驶系统的开发奠定了基础。