随着计算机技术的不断进步,基于深度学习的人工智能技术高速发展,已经被广泛应用在交通场景下。尤其在智能交通系统和自动驾驶场景中,通过使用目标检测算法对采集到的视频进行检测,不仅可以获取车辆、行人的基本信息,还可获取相应的流量信息,并预测其运动趋势。除此之外,我们还需对周围环境做出准确感知,因此通过图像分割技术来从道路图像中获取周围环境信息,从而区分行人、车辆、障碍物、车道线和可行驶区域等重要交通信息。传统目标检测和图像分割方法需要手工设计特征,这严重影响了检测和分割的性能。基于深度学习的目标检测和图像分割方法通过加深神经网络的层次来提取更丰富的特征信息,可显著提升检测和分割的性能。在交通场景中,作为最重要的目标之一,车辆由于其自身和环境特点,导致检测网络的特征提取难度大,往往出现漏检、误检、检测精度不高等问题。而在图像分割方面,当前流行的方法通常在速度和精度上难以兼顾,无法满足交通场景的实时性要求。本文针对交通场景下基于深度学习的车辆检测和图像分割技术分别进行了深入研究,在已有的比较成熟的深度学习网络的基础上,提出了有效的改进方法,具体的研究工作如下:（1）提出了一种基于改进YOLOv4的车辆检测算法。针对YOLOv4目标检测算法在检测车辆时特征提取不够充分的问题,通过引入ECA注意力机制、高分辨率网络HRNet等对YOLOv4目标检测网络进行了改进,显著提高了网络的特征提取能力。实验结果表明,本文所提出的改进方法有效改善了YOLOv4在车辆检测时的漏检、误检问题,提高了检测精度,与此同时保证了检测的实时性。（2）提出了一种基于改进Deep Labv3+的交通场景图像分割算法。在交通场景图像分割任务中,针对传统池化操作造成的图像信息丢失过多的问题,使用Soft Pool池化方法替换原有的池化操作。此外,针对图像分割算法运行速度较慢,无法满足实时分割要求的问题,使用Mobile Net V2作为Deep Labv3+网络的主干特征提取网络。实验结果表明,本文所提出方法在提升了图像分割精度的同时保证了分割速度,有效提升了分割效果。