智能交通系统（Intelligent Transport Systems,ITS）是近年来炙手可热的研究领域,车辆检测是其重要的组成部分。目前,将车辆检测问题转化为图像中的目标检测,利用深度学习中的目标检测方法实现车辆检测已经得到应用,但这类方法仍面临实现小目标检测和模型轻量化的问题。YOLOv3网络模型是一种典型的深度学习目标检测方法,它将特征提取、候选框分类和回归在同一个无分支的深度卷积网络中实现,获得了较好的检测精度和速度平衡,但仍存在以下缺点:1、用于检测的特征图没有保留小目标物体及物体清晰的边缘信息,造成目标检测时出现小目标物体漏检和定位不准的问题;2、结构臃肿,主干网络部分采用53层的深度卷积神经网络,并在该结构中加入残差结构,造成巨大的资源消耗,对硬件平台要求高,限制了模型的实际应用。针对上述两个问题,本文以车辆检测为例开展研究,主要研究工作如下:第一,针对YOLOv3网络模型在检测车辆时产生小目标漏检和目标定位不准的问题,在网络中新增细粒度检测模块。首先在原始网络检测部分使用上采样将深层特征图放大,得到小目标车辆的语义信息;然后将上采样获取的特征图与浅层网络相同尺寸的特征图融合;最后将融合后的特征图通过7次卷积,完成车辆检测。第二,针对YOLOv3网络模型计算开销和内存消耗大的问题,在网络残差单元内引入深度可分离卷积,实现模型轻量化。YOLOv3网络模型属于深度卷积神经网络,整体网络层数与参数较多,计算开销和网络规模大。深度可分离卷积将原有标准卷积过程拆分为深度卷积和逐点卷积,实现卷积过程的空间和通道分离。第三,设计了SDP-YOLOv3网络模型车辆检测方法。该方法在YOLOv3网络模型基础上,将网络第二个残差模块扩充一倍,通过加深网络深度实现有效特征提取;将深层语义信息与浅层表征信息融合获取保留小目标信息的特征图,并对该特征图进行检测;通过去除冗余模块和引入深度可分离卷积实现模型轻量化;最后微调超参数使其适用于本文研究场景。实验表明,设计的SDP-YOLOv3网络模型能够检测尺寸为原图尺寸2%的小目标车辆,平均精度（Average Precision,AP）从YOLOv3网络模型的93.93%提高到97.57%;在模型规模方面,SDP-YOLOv3网络模型降低到75.3兆（MByte,MB）,相当于YOLOv3网络模型的31%;在运算复杂度方面,SDP-YOLOv3网络模型降低到34.814十亿次浮点运算（Billion Foat Operations,BFLOPs）,相当于YOLOv3网络模型的53%。总体上说,SDP-YOLOv3网络模型在YOLOv3网络模型基础上提高了检测精度,减少了模型规模,降低了运算复杂度。本文的研究工作对卷积神经网络实现小目标检测和模型轻量化有一定参考性。