自动驾驶技术不仅仅可以减轻驾驶员的工作负担,而且能够降低交通事故发生的概率,因此具有重要意义。随着卷积神经网络技术的突破,为解决自动驾驶所存在的关键性问题提供了新的思路。利用基于卷积神经网络的目标检测方法,使得行驶中的汽车能够准确及时的识别车辆、自行车、交通障碍物等一系列动态或静态交通目标,从而为自动驾驶提供了技术支撑。因此设计行之有效的目标检测算法对汽车快速准确地获取周围环境信息极为重要。本文基于YOLO-V3目标实时检测算法,并对其进行研究,以期提升在实际应用场景下的性能。主要工作有:（1）本文在非限定性条件下,采集了道路上常见的电瓶车、汽车、行人和自行车4种动态目标的图像。在采集过程中,采取了多角度、多距离的采集策略,结合数据集扩充等方式,完成了所有图像的标注工作。（2）对于在原始anchors下,YOLO-V3模型对新目标尺寸不敏感,导致检测准确率低的问题。本文提出用K-means方法聚类目标边框的方法。首先在聚类过程中,改进其距离公式,并研究了聚类算法的K值与IOU的关系,通过爬山法确定K值后,得到了 9个新的anchors,替换原始anchors后,完成了实验前期改进工作。最后根据论文设计的训练阶段流程,完成了2次训练任务。实验结果表明:使用新anchors的模型F1值有所提升,且为目标检测的准确率带来了 3.4%的提升。（3）针对YOLO-V3模型检测目标速度慢的问题,本文提出对BN层参数进行优化。首先分析了 BN层在网络中的工作流程,然后指出了 BN层所存在的问题,并推导了合并BN层参数至卷积层的可行性。最后根据论文设计的测试阶段流程,完成了 2次对比实验。实验结果表明:BN层参数合并后的模型能够在保证检测精度不变的同时,为YOLO-V3模型的检测速度带来提升,提升率在14%。并在实际测试环境下,FPS达到了 26.5,满足了实时性检测要求。（4）为研究基于迁移学习的训练方式在本文检测任务下的提升效果,实验将YOLO-V3模型在迁移训练和非迁移训练下的训练结果进行了比较。实验结果表明:本文基于迁移训练的方式不但提高了训练效率,而且为目标检测的准确率带来了 11.6%的提升,对本文检测任务来说,使用迁移训练具有一定的效果。图[51]表[19]参[78]