近年来，车辆智能化已经成为世界车辆工程领域的研究热点之一。环境感知是智能车辆规划决策的关键技术，基于视觉的车辆目标检测方法，能快速准确地检测当前车辆的周围环境，辅助驾驶员更安全地驾驶，提高道路交通安全性。　　得益于深度学习理论的发展，卷积神经网络与传统机器学习方法相比，在图像分类和目标检测领域展现了更加优异的性能。本文以深度卷积神经网络为基础，深入研究了区域建议(Proposal-based)方法和无区域建议(Proposal-free)方法，改进了车辆目标检测网络框架，提高了实时性与准确性，主要工作如下:　　针对区域建议方法中Fast-RCNN(Fast Region-based Convolutional Neural Network)生成的候选区域数量多、质量不高且检测特征层单一，而造成检测速度慢、准确率低的问题，提出了改进的Fast-RCNN车辆目标检测算法。首先，通过车道线检测确定道路范围，生成适量的候选区域。其次，在多尺度特征层上生成检测器，实现对不同大小车辆目标的检测。最后，在一定范围内对已标注的车辆样本参数进行随机变换组合，生成更多正负样本，保证网络的训练效果。实验表明，该方法能有效检测不同大小、多种路况下的车辆目标，较大提升平均准确率与检测速度。　　针对无区域建议方法中YOLOv2(You Only Look Once version2)虽然检测速度快，准确率较高，但对较小车辆和被遮挡车辆容易发生漏检错检等问题，提出了一种结合多尺度特征信息的改进YOLOv2车辆目标检测算法。该方法融合多特征层信息，建立额外的检测特征层检测较小车辆和被遮挡车辆;构建新的自适应置信度损失函数解决正负样本数量不平衡问题以提高置信度预测的准确性;同时，开发了一种难样本生成方法对网络进行训练，减小了错检发生的可能性。实验表明，本文所提方法能够满足实时检测对运行速度的需求，显著降低车辆目标的漏检错检率，提高平均准确率9％以上。　　针对深度学习网络模型YOLOv2在部署过程中易受设备计算能力和存储空间大小限制的问题，本文以小型简单网络MobileNet替换大型复杂网络Darknet19，通过复杂网络输出监督信号改进网络训练方法，降低了使用简单模型带来的精度损失，加快了检测速度，减少了设备内存的开销。实验结果表明，在网络模型计算量和网络参数数量大幅降低的同时，检测精度的损失处于可接受的范围之内。