交通安全驾驶一直以来是交通领域的研究热点。本文研究的课题:不良行车视野下红外热成像目标检测研究。其目的是为了解决在不良（如完全漆黑、烟雾、恶劣天气和眩光等）行车视野下的安全问题。传统的目标检测识别不具有实时性,红外图像呈现黑白特征较少,多尺度目标识别较差。深度学习的目标检测算法借助强大的计算学习特征,可以满足精度与速度上的均衡。本文基于卷积神经网络中的YOLOv4算法对红外热成像进行目标检测研究,做出如下几点内容:（1）查询相关文献资料,分析了选用红外热成像进行目标检测的重要性,研究图像定位与分类的计算原理,寻找到有效的深度学习目标检测方法。（2）以不良行车视野为背景,建立试目标检测试验方案。针对FLIR红外热数据集的缺陷,进行数据清洗与转换标准数据格式。实现红外热成像目标检测平台的搭建,采用迁移学习的方法fine-tine数据训练出检测模型。实测效果中,自训练模型对比原始YOLOv4模型精度有较好的提高效果,速度上无明显提高。模型检测行人与汽车的AP分别为86.83%,90.72%;整体为Avg IOU65.17%、m AP88.8%。自训练模型进行实时视频检测的FPS为35.5左右,视频场景为夜晚城市道路且人流量较多时段。从实测检测效果来看目标框的定位精度不错,预测结果较满意,实时结果播放比较流畅,可以满足辅助驾驶的安全要求。（3）根据k-means和k-means++方法,对算法进行anchor box聚类中心改进。对比两组k=5,k=9的聚类实验中80次迭代计算后的Avg IOU的收敛情况,验证k-means++更适合算法改进的研究。改进算法训练得到的模型经过性能统计有着Avg IOU69.88%、m AP90%的成绩,比改进前分别提高4.71%、1.2%。虽然精度得以提高,但最后的实时视频检测上速度还是保持不变。本文中红外热成像目标检测在速度与精度均有出色的结果,可以有效的提高不良视野下的行车安全。