车辆目标检测技术是自动驾驶的关键技术之一,它要求实时并精确地获取车身周围的车辆信息,以提升驾驶人员的主动安全性。现阶段的车辆检测方法大都基于深度学习,可划分为两类:两阶段检测算法和一阶段检测算法。两阶段算法检测精度较高,但检测速度还达不到实时的要求;一阶检测算法基本满足实时要求,但检测精度较低。YOLOv3作为工业界常用的一阶段检测算法,兼具较好的实时性与检测精度,但将其应用于车辆检测场景时,实时性与精确性仍有待提高。鉴于此,本文对YOLOv3算法加以改进并应用于车辆目标检测,以解决车辆目标检测的实时性与精确性问题。本文主要工作如下:（1）针对YOLOv3算法应用于车辆目标检测时存在占用内存高、边框定位不够准确等问题,提出了基于Shuffle Net的车辆检测算法。首先,采用Shuffle Net中的高效卷积神经网络结构对Dark Net-53进行轻量化处理,以降低参数量、压缩模型内存大小,从而提升检测速度。其次,在数据预处理阶段,提出一种改进的K-means算法对数据标签进行聚类,以获得与目标边框更为匹配的锚框,从而提升边框定位准确性。最后,在模型训练阶段,采用Focal Loss改进模型置信度损失,采用CIo U Loss改进模型回归定位损失,以提升模型的学习能力,从而提高检测精度。实验结果表明,在KITTI数据集上,相比于原模型,改进的模型内存大小和参数量不到原模型的一半,检测速度约为原模型的1.5倍,m AP提升了2.12%。（2）针对YOLOv3算法应用于车辆目标检测时存在特征层检测效果差、重叠目标易漏检等问题,提出了基于多级特征融合网络的车辆检测算法。通过对YOLOv3特征融合网络部分进行改进,提出一种多级特征融合网络结构,以提升特征层的检测效果。在检测阶段,采用软化的非极大值抑制算法对预测出的边框进行过滤,以降低车辆目标漏检的现象。实验结果表明,在KITTI数据集上,相比于原模型,改进的模型在保持相同的检测速度下,m AP提升了4.91%。