近年来,随着深度学习技术在智能交通系统和自动驾驶等领域的蓬勃发展,车辆目标检测算法作为其中的重要组成部分和后续研究基础受到了广泛的关注。目前基于深度学习的车辆目标检测算法对大尺度的车辆目标检测精度高,但是对于尺度较小以及受遮挡影响的车辆目标普遍存在着漏检或误检的问题。因此,如何在复杂的背景中实现对小尺度和受遮挡影响的车辆目标的精确识别和定位是当前亟待解决的难题。针对上述问题,本文在SSD算法的基础上,重点对小目标及遮挡检测困难的问题进行研究,主要工作如下:（1）针对原始SSD模型对小目标车辆检测漏检率高、检测精度差的问题进行研究。首先提出了改进的残差网络Res Net-50,并将其作为SSD模型的主干特征提取网络,以增强主干网络提取特征的能力并防止网络退化,提高算法的检测精度。同时通过在残差网络中嵌入轻量级的CA注意力模块,抑制背景噪声的干扰,使模型聚焦于重要特征并结合其所处的位置信息,提升算法对小目标车辆的检测和定位精度。其次使用Kmeans++算法对数据集中车辆标注框的宽高数据分布聚类,以此获取更符合数据集中车辆目标尺度的先验框比例,解决检测框和车辆目标尺度契合度不高的问题。最后将上述改进在KITTI数据集上进行消融实验,实验结果证明本文提出的改进方案能在不同程度上提高算法的检测精度。同时对比改进前后的算法在测试集上的效果图,验证本文改进后的算法显著改善了小目标车辆的漏检问题,提升了算法的检测精度。（2）针对交通场景中车辆目标受遮挡影响存在的漏检和误检问题进行研究。首先针对遮挡导致的车辆部分特征信息缺失,从增强感受野的角度提出基于InceptionRes Net-v2的多分支空洞卷积模块MDCM。通过聚合图像的全局特征信息提高算法对遮挡目标的检测精度,同时融合不同扩张率的空洞卷积获得多尺度感受野融合的特征图,增强模型对遮挡目标的推理能力以及对多尺度车辆目标的适应性,提高目标检测算法的精度。其次采用后处理算法Softer-NMS算法消除冗余的检测框,解决NMS算法在处理遮挡严重的区域时容易造成漏检的问题,提高算法对遮挡目标的检测和定位精度。实验结果表明,与原始SSD算法、Faster R-CNN算法以及YOLOv3算法相比,本文改进后的SSD算法在检测速度和精度均优于以上算法,并且能够有效改善小目标以及受遮挡影响存在的车辆漏检问题,提高了算法的检测精度。