当前,车辆已成为不可缺少的代步工具,智能辅助驾驶系统是智能交通的一个重要组成部分。车辆和行人检测是车辆感知外界环境的基础环节,也是计算机视觉和图像处理方向的重要分支。随着检测技术的快速发展,人们对于检测的精度也提出了更高的要求,为了能够更好的实现道路8场景的车辆和行人检测,人们开始考虑在普通图像中加入深度信息,如何进行道路场景的深度信息的估计也成为了计算机视觉领域的一个重要的研究课题。论文的主要工作概括如下:首先,文章在基于深度学习的车辆行人检测的基础上,针对传统的车辆和行人检测算法在提取特征时参数量较多的问题,提出一种基于深度学习的车辆和行人检测算法,尤其是基于开源的Faster RCNN网络框架的方法。然后,考虑到在道路场景中距离对于车辆行人检测具有重要意义,本文主要考虑单目道路图像的深度估计。针对从单目视觉图像中恢复深度信息时存在的预测精度不够准确的问题,本文提出了一种基于多尺度卷积神经网络的深度估计方法。最后,考虑到局部信息和全局信息的重要意义,针对当前模型考虑不够全面,提出一个基于金字塔池化网络看的单目道路图像深度估计的网络模型。综上,本文主要分别实现了基于深度学习的车辆行人检测和道路场景的深度估计,并且通过多次试验证明可以获得较好的结果。