交通目标检测是自动驾驶技术在计算机视觉领域的重点研究问题之一。交通目标可以划分为包括以行人、车辆为代表的动态目标,以及以车道线、交通标志为代表的静态目标。目前,深度学习类算法在交通目标的检测识别中取得了非常大的成功,是目前研究的热点。然而,此类算法在雨雪雾等复杂天气以及遮挡、黑夜等情况下的性能仍有提高的空间。此外,随着检测精度的不断提高,相关深度网络愈加复杂,存在训练参数庞大以及所需要的硬件配置较高的缺点。综上,本文以车道线为代表的静态目标检测以及以车辆为代表的动态目标检测为研究目标进行改进研究,主要工作如下:（1）提出了一种基于语义分割和时空关联信息的车道线检测方法。车道线检测常用的方法是针对单帧的图像进行检测,然而车载摄像头获取的图像通常呈现的是连续且结构相似的,相邻的两帧图像中包含了大量的时序相关的信息。本文的主干网络是以ERFNet为主干网络的车道线检测网络模型,在模型中加入长短期网络（Long Short-Term Memory,LSTM）模型,利用前后多帧图像的信息对当前图像帧的车道线信息进行预测。本文的方法经过实验验证,在公开数据集的准确率上高于原ERFNet网络模型,且高于常用的车道线检测模型（Lane Net,SCNN等）。（2）提出了一种基于轻量化YOLO模型的车辆识别技术研究。目前随着目标检测及识别技术的不断发展,识别的精度也有着很大的提升。随着深度学习的发展,现有的网络模型越来越复杂,网络越来越大,导致占用的内存也越来越多。本文以YOLO（You Only Look Once）v4目标检测算法为基础,将其骨干网络用轻量化网络Mobile Net V2对其重新设计。本文的方法经过试验验证,网络参数大幅降低的同时也能保持较高的检测精度。