在城市化进程的推动下机动车成为广泛应用的移动交通工具,给人们的出行带来了许多便捷。但与之而来的是日趋复杂的交通环境和渐趋严峻的交通安全问题。利用有效的交通场景理解机制,赋予车辆一定的智能,从而协助驾驶员规避安全风险已成为当前降低道路事故发生率的研究热点。在交通场景理解中,对于目标的检测是一个重要的研究方向,目标检测是指在道路交通环境中,指出目标可能存在的位置,提供较为完善的场景信息。由于交通场景复杂,存在许多干扰信息如光照、恶劣天气影响等,完全依靠人工实现目标检测变得较为困难,机器学习作为具有一定自适应性的检测方法,已成为近些年学术界和工业界的关注热点,获得了广泛的应用。基于机器学习的交通场景下目标检测主要有两种研究手段——基于人工设计特征结合机器学习分类器的目标检测方法和基于深度学习的自提取特征的目标检测方法。本文依据上述研究手段,针对交通场景图像中复杂城市环境下的检测效率和泛化性能等问题,分别提出基于机器学习及深度学习的目标检测方法,主要研究内容如下:⑴针对机器学习的目标检测方法,提出了一种基于分层支持向量机的检测方法。通过与背景明显区分的尾灯作为显著特征确定目标,提取尾灯特征并依据规则匹配尾灯组,融合多空间有效信息并采用分层支持向量机模型实现了尾灯目标检测及状态识别,并给出实验验证结果。⑵针对深度学习的目标检测方法,基于对R-FCN结构的改进,提出了一种多尺度级联R-FCN的检测方法。通过网络中的跨层连接及级联策略融合不同层级的语义信息,并加入批次归一化增速网络收敛,最后在预测阶段改进非极大值抑制算法,得到了精准的检测结果并实验验证了模型的优良性能。⑶进一步,考虑到R-FCN结构的计算复杂度,采用简化的Light Head R-CNN结构替代,提出一种多尺度级联Light Head R-CNN检测框架。其改进了网络收敛策略,降低计算资源消耗的同时提高了检测精度,对尾灯目标和交通场景中的多目标检测都进行了对比实验,结果表明了检测框架的精准高效和优越的泛化性能。