近几年由于计算机运算能力的大幅度提高使得计算机视觉在智能交通领域逐渐成为研究热点,受到中外学者的广泛关注,并取得了一定的研究成果。然而,在实际应用过程中仍存在很多困难亟需解决。问题主要集中于两个方面:首先,当计算机视觉技术主要应用于交通监管领域,检测的实时性,由于计算机硬件运算能力的限制,算法本身不能过于复杂,因此这就与检测精准性产生了一定的矛盾。其次,交通场景不同于一般的检测场景,场景中物体种类较多,并且光照、阴影和遮挡等因素都严重影响识别准确度和定位精确度。在不影响实时性的条件下如何设计算法来减小这些因素的影响,提高检测算法的鲁棒性成为研究人员的关注点。本文致力于通过自建数据集,实现道路行车视角下的车辆检测。首先回顾了国内外在目标检测领域的相关文献与研究现状,对现有的研究成果对比总结,在此基础上确定了本文的研究目标与研究内容。本文研究内容主要分为三个部分,首先以卷积神经网络相关概念作为切入点,详细阐述了卷积神经网络的基本思想、组成部分和参数训练原理等内容,为之后的YOLOv3检测模型以及Faster R-CNN检测模型奠定理论基础。其次,在上一章节的理论基础上实现YOLOv3模型下的道路车辆快速检测,通过利用k-means算法对自建数据集中车辆样本的真实边界框的尺度与宽高比进行聚类分析,得到适用于车辆样本的9个真实边界框。之后为了提高检测效果本文针对k-means算法的聚类效果对初始聚类中心存在依赖性问题,提出利用kmeans++算法对数据库中的车辆样本重新聚类从而得到优化后的先验边界框,实验表明,经过k-means++算法优化后的边界框可以提升检测准确率。最后,文章实现了在相似场景下的Faster R-CNN模型的道路车辆准确检测,检测时效性虽不如YOLO类检测算法,但是检测准确性较高。在对自建数据集中车辆样本的真实边界框尺度与宽高比进行聚类分析的基础上,合理优化Faster R-CNN模型下的先验框尺度。结合实验结果验证与分析,经过先验框优化后,检测准确度有部分提升。