车与车的追尾碰撞是道路上最易发生的交通事故。因此为了有效减少或避免此类交通事故的发生,需研发一种前方车辆检测系统,当车辆前方出现目标车辆时,能及时准确地给驾驶人提供警告。然而,车辆检测常常受到许多因素影响,包含光照环境的不同、车辆尺寸和角度的不同、遮蔽物的影响等情形,这些都是传统检测方法难以解决的。因此,本文选择利用深度学习中的卷积神经网络(CNN)克服以上问题,并提高车辆检测系统的准确率。本文提出的全天车辆检测系统由两大部分组成,一部分为昼夜道路场景的判断,一部分为昼夜的车辆检测。为此所做的主要工作有:(1)为了进行全天车辆检测研究,建立了全天的车辆检测样本库:从包含全天各时段的道路视频图像中采集提取了不同外观、不同尺寸、不同姿态的车辆样本。对日间训练图片在HSV空间进行了亮度改变,以丰富样本库的光照条件。(2)基于Faster R-CNN目标检测框架进行昼夜车辆的检测研究,比较了不同的特征提取卷积网络,包括ZF5、VGG16、ResNet50和ResNet101,实验证明ResNet50的车辆检测准确率达到最高;改进了夜间车辆检测模型的训练方法,减少了训练时间从而提高了训练效率,并且提高了夜间车辆检测准确率。在车辆检测的后处理问题上,使用Soft-NMS算法提高了互相遮挡车辆的检测准确率。(3)研究了道路场景的昼夜判断方法,首先利用天空、道路的灰度和颜色特征基于SVM分类器实现了昼夜场景判断,接着设计利用CNN自动学习特征进行昼夜场景判断。实验证明使用CNN分类器进行昼夜判断可以获得更高的准确率。本文使用行车记录仪所拍摄的交通场景图像进行实验。实验结果表明所使用的基于Faster R-CNN的车辆检测系统能成功地在全天中检测到车辆,日间能达到86.8%的平均正确率;夜间能达到79.3%的平均正确率。