从交通场景下的图像或视频中自动检测出各种目标(如车辆和行人等)是许多智能交通系统必不可少的前提。根据车辆和行人等的运动规律给出合理的交通管控方案可以减少诸如道路拥堵、交通事故等事件的发生,保护人们的生命财产。随着计算机技术的飞速发展与计算机视觉理论的广泛应用,利用机器学习和深度学习的方法对不同场景下的目标进行分类、定位或实时跟踪成为了近年来的研究热点,对目标进行实时检测在无人驾驶、智能视频监控、工业检测以及军事目标检测等方面具有重要的应用价值。虽然深度学习为目标检测领域带来了革命性的进步,但是目前已存在的基于深度学习的算法仍然存在很多不足,例如算法运算复杂度较高,难以实时应用,或者对于小目标的检测效果较差等等,即这些方法难以实现检测精度与速度之间的权衡。为了解决这些问题,本文采用特征金字塔的思想,利用从多层特征图中提取的信息来检测各种对象,能有效降低漏检以及误检的发生。具体来说,本文的研究内容主要包括以下几点:首先,针对目前交通场景数据集不足的问题,本文利用交通监控视频构建了一个城市交通数据集,划分了训练集和测试集,并利用标注工具BBox-Label-Tool对数据集中的图片进行分类和标注,用于后续的网络训练及测试。其次,由于交通场景下不同目标的尺度变化较大,本文提出了一个具有32层的多支路目标检测网络来对这些不同尺度的目标进行检测,通过对3个检测分支的合理设计,可以从稀疏、拥挤、白天和夜间等各种不同的场景中准确地检测出大、中、小尺度的目标。本方法与其它方法相比在检测精度与速度上有所提升,很好地实现了二者的平衡。最后,针对上述方法没有充分利用到上下文信息,使得该方法对于某些目标(特别是小目标)的检测结果不够准确这一问题,本文提出了一个基于多特征融合的目标检测方法,通过融合模块来引入上下文信息,使模型对于各种目标特别是小目标的检测效果有了明显的提升。在不同数据集上的实验结果表明,本文所提出的方法与其它方法相比在各个评价指标上的表现都得到了相应的提升。