目标检测是计算机视觉关键技术之一,行人、车辆更是其中热点与难点,本文以行人、车辆为目标进行检测方法研究。基于滑动窗口的目标检测方法由于计算量大,很难实现目标的实时检测。虽然卷积实现的滑动窗口目标检测方法解决了这一问题,由于检测边界框是固定尺寸,导致检测不准确甚至无法检测。本文通过增加输出特征图的维度,让网络精确地预测边界框的位置和尺寸,实现任意尺寸目标的检测。在训练过程中,网络以边界框位置和尺寸的误差、类别概率误差、边界框包围目标物体程度构成目标函数。并通过为每一个边界框预先设定一个检测目标或检测区域,提高了网络的收敛速度。在预测过程中,通过边界框的类别概率以及包围目标物体程度指标,选取最优的检测边界框,得到最终检测结果。通过分析基于任意尺寸边界框的目标检测方法中存在的问题,采用一种基于先验知识的全卷积网络目标检测方法。针对检测多个或多类重叠目标,增加检测框数量并且每一个检测框都拥有一组类别概率,再通过去掉全连接层,将网络变成一种只包含卷积层和聚合层的全卷积神经网络结构,解决了检测重叠目标带来的参数量增大的问题;针对小目标物体的检测,采用将不同尺寸特征图融合的特征金字塔结构;并通过引入先验尺寸边界框,避免网络训练时陷入局部最优,同时提高网络学习的收敛速度。最后,通过整合并处理KITTI和Udacity Self-Driving公开数据集作为训练数据集,选取合适的主体网络结构、训练优化方法及超参数,分别采用两种方法建立目标检测模型。通过对模型的评估、对比与分析,验证了基于先验知识的全卷积网络目标检测模型在检测重叠目标、小目标物体检测、模型的收敛速度与效果等方面明显优于基于任意尺寸边界框的目标检测模型,并取得了良好的检测效果。