智能驾驶技术在解决城市道路拥堵问题、避免交通事故等方面具有巨大潜力,因此受到研究者的广泛关注。视觉感知是智能驾驶汽车的关键技术之一,其中道路多目标检测算法是基于视觉环境感知研究的重要内容,对辅助驾驶功能的推广,甚至全自动驾驶系统的加速落地都有重要意义。但是复杂的道路动态检测场景给智能驾驶车辆的环境感知带来巨大挑战。现有基于图像的通用目标检测算法具有大、小目标检测精度不均衡,检测精度性能与检测速度性能不平衡等缺点,很难满足智能驾驶系统对环境感知算法的要求。YOLOv4算法是一种先进的通用目标检测算法,具有较高的检测精度及检测速度。本文基于YOLOv4算法,针对复杂交通流场景下的目标检测问题进行优化,提出道路多目标检测算法YOLOv4＿5D。对比实验结果显示,基于BDD100K数据集,在检测速度维持在45.5 FPS,满足检测实时性的前提下,YOLOv4＿5D算法相较于YOLOv4算法,综合检测精度提升了5.5%。基于KITTI数据集,YOLOv4＿5D算法获得了5.31%的综合检测精度提升,特别的,小目标“行人”类别获得了6.98%的单类检测精度提升。主要贡献如下所示:（1）针对YOLOv4特征提取网络对目标特征表征能力有限的问题,提出使用通道注意力机制SE Layer与可变形卷积DCN对特征提取网络进行改进,得到特征表征能力更加强大的特征提取网络CSPDarknet53＿SE＿dcn。针对小尺度目标检测精度较差的问题,对特征融合模块的特征表示空间进行扩充,增加了两个负责小目标检测的特征尺度,将负责检测的特征尺度由原来的三个扩充至五个。（2）针对YOLOv4算法主干网络学习到的图像特征感受野不足的问题,提出基于空间空洞卷积的感受野增强模块SDCM（Spatial Dilated Convolution Module）。引入空间空洞卷积模块,对特征融合模块的输出特征进行感受野增强。消融实验结果显示,基于KITTI数据集,所提出的感受增强模块获得了2.0%的综合检测精度提升。（3）针对传统基于锚框的检测头存在的正、负样本失衡等问题,设计了一种能够适应多尺度特征空间的无锚框检测头结构。利用无锚框算法有效的对算法训练阶段显式定义正、负样本的过程进行规避。同时多尺度检测头结构实现了不同尺度目标之间的检测解耦。针对KITTI数据集的消融实验结果表明,基于无锚框的多尺度检测头结构获得了1.63%的检测精度提升。最后将提出的道路多目标检测算法YOLOv4＿5D在智能驾驶平台上进行实车部署验证。实车测试证明,提出的YOLOv4＿5D算法能够在满足检测实时性的要求下,精确的检测道路中常见的各种目标,包括“行人”、“车辆”、“交通信号灯”等7个类别目标。