随着中国经济和社会的快速发展,中国的汽车生产和拥有量多年来一直位居世界顶端。目前结合人工智能技术的高速地发展,智能交通的引入可以很大程度缓解交通的压力,使人们出行更加方便快捷。车辆检测便是智能交通的重要一环,可以有效检测交通场景内通过的车辆。通过对交通场景内车辆进行准确检测可以对城市交通流数据进行有效监测,就能更好地预测城市内交通整体趋势以及进行有效地调控。同时车辆检测技术对无人驾驶技术的发展也有推动作用。本文提出的模型是根据YOLOv5的网络模型进行适当改进来进行车辆检测的,受Ghost模块的启发,直接利用线性操作来生成更多有用特征图,让模型能利用更少的成本提取到更多有用的特征。通过对使用语义信息增强模块的模型结果分析,发现在车辆占比较小或者被遮挡时效果并不理想。于是一方面在模型高阶语义信息阶段增加全局语义信息,另一方面对于全局信息多尺度特征的提取方法进行优化,进一步设计出全局语义信息模块,使模型的性能在复杂条件下更加鲁棒。总之,本文的主要工作如下:（1）借鉴Ghost模块的生成相似特征图的思想,同时配合多尺度的特征处理设计出语义信息增强模块。它能有效增强具有高阶语义信息部分的网络所能接受到的有效特征信息,从而使提出的模型在交通场景中识别车辆的效果更加精确。（2）提出了一种生成具有有效全局特征信息的特征图的模块,来帮助模型在复杂场景下进行更精准的车辆检测,如车辆被遮挡、车辆距离远等复杂情况。该模块中主要分为特征生成部分和感受野增强部分来保证生成的特征图信息能够更好的在多尺度检测头下使用。（3）对KITTI数据集进行了调整数据格式,标定出车辆标签,一方面让模型的数据处理与数据集格式能够兼容,另一方面把数据集调整为主要进行车辆检测任务。在该数据集上通过大量的实验结果对模型的效果进行验证,相较于其它主流目标检测算法,本文提出的模型都能够更加精确地在交通场景下识别车辆。