随着人工智能技术的飞速发展，各个领域都迎来了“无人化”时代。在智能交通领域中，无人车系统技术正在逐步渗入到国防建设、工业生产和日常生活中。在无人车系统中，行人和车辆检测是无人车系统运行的基石。目前，无人车系统中主要采用以激光雷达技术为主、其他技术为辅，对车辆和行人等进行检测。但是，激光雷达技术存在着成本较高和粗糙物体难以分类等缺点。

与传统物体检测算法相比，基于深度学习的物体检测算法具有更高的精确度和更强的广泛性。不过，它检测精度的提高往往导致检测速度的下降。同时，它对支撑硬件的要求造成了其在一定程度上具有应用局限性。在实际交通场景中，行人和车辆的检测任务具有以下四个特点：1）交通场景复杂多样；2）物体之间易出现遮挡或形变；3）远处物体不易被检测；4）检测需要高精度与高效率。

针对基于深度学习的物体检测算法的优势和局限性，考虑实际场景中对行人和车辆检测的特点，本文预优化现有的通用物体检测的算法Faster-RCNN，展开面向低速无人车的行人和车辆检测算法研究。本文的主要工作和主要内容总结如下：

1）提出了一种基于深度卷积神经网络的特征提取算法。该算法通过对空间和局部信息的提取以及对不同分辨率特征层的融合，使得输入图像通过特征提取网络得到的特征，具有更多细节信息。将该优化算法应用在resnet18 和 vgg16的基础网络上，在数据集Pascal_voc上进行实验，表明了优化算法的有效性。

2）提出了一种生成候选区域框并增强的算法。该算法利用anchor string机制代替传统候选区域生成机制，提高了尺寸较小物体的检测精度；同时，基于anchor string机制，提出了anchor-context机制，根据生成候选区域框的高、宽、面积等信息，自适应地增加语义信息，从而提高遮挡物体的检测精度。将优化算法在数据集Pascal_voc上进行实验，表明了优化算法的有效性。

3）提出了一种基于深度卷积神经网络的行人和车辆检测算法。我们在通用特征提取网络的基础上，合理融合上述的优化方法，提出了一种基于深度卷积神经网络的行人和车辆检测算法。这种算法可以提升对小物体与被遮挡物体的检测精度；在速度上也可以满足低速无人车，比如无人巡逻车的实时检测的速度要求，模型的大小满足实际模型移植的要求。将优化算法在数据集上进行实验，表明了该优化算法的有效性。将优化算法移植到无人巡逻车上进行实景实验，验证了算法在实际场景中的有效性。