在路况复杂和数据量大的背景下,如何设计模型将路况图像中的目标区域准确的检测出来是目前基于视觉的无人车环境中的多目标检测的一大挑战。基于视觉的深度学习可以在复杂场景和数据量大的情况下,不需要针对具体的目标设定不同的特征进行多类目标的检测,且符合人脑视觉信息处理过程,使得其更加接近人工智能,因此基于视觉的深度学习的多目标检测成为研究的热点之一。为此,结合无人车环境的具体应用,研究如何利用基于视觉的方法对复杂路面情况实现多目标检测,提出具有准确率和鲁棒性的多目标检测算法。本文的主要工作及研究成果如下:为了提高多目标检测的处理速度,减少无关信息的干扰,根据无人车的行车参数,从标定好的车载摄像头拍摄的图像中确定感兴趣区域,并使用基于区域的方法而非滑动窗口作为目标检测器,提出一种结合分割和视觉注意机制的目标区域提取算法。该算法从全局的角度对图像进行了不同区域的划分,然后从局部的角度计算了每个区域的显著性信息值得到了候选目标区域。对于显著性,提出了一种新的计算信息值的方法。为了提高视频的处理速度,结合多帧信息对候选区域进行了预测。该算法与最新的区域提取算法相比在速度上有显著的提高,且只生成了一个目标独立范畴窗口少于三十个的目标候选集,降低了时间复杂度,满足了实时性和精度要求。为了使得多目标的特征表达更加接近人工智能,模拟生物视觉处理信息过程,提出一种结合稀疏性、显著性、局部性和深度特性的多目标检测算法。该算法首先将目标候选区域用非负稀疏局部线性编码对图像进行编码得到稀疏性和局部性特征,然后对该特征进行显著池化得到比较显著的特征,将该过程类似神经网络过程进行重复处理,得到具有深度特性的特征使得特征表达更加抽象,将有利于目标的判别。对于最后一层的输出使用高斯金字塔的显著池化,得到统一的特征维度可以忽略输入的尺寸。最后将特征用分类器判断候选目标区域是否为当前帧的目标区域。最后,编程实现结合分割和视觉注意机制的区域提取算法和结合稀疏性、显著性、局部性和深度特性的多目标检测算法,实验结果表明,针对光照的变化、拥挤的交通这样复杂环境都有很好的鲁棒性。此外,该方法与当前几种最新的多目标检测算法进行比较,在实现较好检测精度的同时,极大地缩短运行时间,满足多目标检测的实时性。