夜间或者恶劣天气环境下的车辆行驶安全问题一直都是人们关注的焦点。因此为了提升车辆行驶的安全水平,智能的车载主动安全系统就成为了现今发展与研究的方向。其中基于视觉的道路上车辆目标检测就是汽车智能安全系统研究的关键一部分,同时也是机器视觉领域的一个重要研究方向。在夜晚等容易引发交通事故的环境下,基于可见光的视觉图像将无法获取足够的环境信息。但与此同时,红外图像由于其具有的全天候,不受环境光线影响的优点,就可以作为夜间等环境中智能系统的视觉输入图像。因而基于红外图像中的车辆检测作为车辆的智能主动安全系统的一部分,相关的研究工作对于有效避免夜晚等环境下的交通事故,避免生命与财产的损失具有重要的意义。机器视觉的相关理论与应用从开始出现到如今已经得到了极大的发展。同时目标检测作为该领域的一个重要的研究方向在近几年也取得了令人惊喜的成果。尤其是随着深度学习概念的出现,卷积神经网络的应用使得目标检测任务产生了巨大的进步。因此将深度学习中的卷积神经网络应用到红外图像中的车辆检测就是本文所要研究的内容。对于本文所完成的工作,主要包括以下几个方面。首先,针对本文的目的,在不同时间段和不同场景下采集道路上多种车辆的红外图片制作了实验验证所用的图像数据集,并对数据集中的每幅图片编写对应的标注文件。数据集中的一部分图片作为训练数据,为接下来的模型训练做好准备。另外的图片作为测试集,用来对模型训练完成之后进行测试验证模型的精度。其次,针对红外图像的特点,在选择性搜索算法的基础上提取建议区域,结合以AlexNet网络为基础的R-CNN模型,实现了在红外图像中的车辆检测。实验中采用经过ImageNet数据集进行预训练的Alex Net网络,然后通过自制的红外图像数据集进行微调训练,实验结果显示网络模型达到了81.5%的准确率,相比传统的检测方法有了大幅提升,同时检测速度为每幅图8.6s。最后,为了进一步获得更好的检测性能,提出了一个改进的ZF-Net卷积神经网络结构。并且将其与SSD模型相结合实现了红外图像中的车辆检测。同样通过自制的数据集进行训练并进行实验验证,并与R-CNN模型进行实验结果的对比分析。实验表明,经过改进的ZF-Net网络结合SSD模型达到了87.3%的准确率,检测速度更是达到了每幅图0.024s,接近每秒42帧,达到了准确实时的检测目的。