车辆检测对于辅助驾驶系统至关重要，由于雾天道路场景严重退化，图像中的车辆信息不明显，导致车辆检测存在漏检、误检的问题。针对上述问题，本文提出了一种融合毫米波雷达和机器视觉的雾天车辆检测方法。首先，采用暗通道去雾算法对图像进行预处理，提高雾天图像中车辆信息的显著性。然后，采用知识蒸馏改进YOLOv5s算法，在YOLOv5s的特征提取网络中引入知识蒸馏，在目标定位和分类阶段计算蒸馏损失，对损失进行反向传播训练小型网络模型，在保证视觉检测准确度的同时提高检测速度。最后，采用基于潜在目标检测区域搜索的距离匹配算法对视觉检测结果和毫米波雷达检测结果进行决策级融合。以检测目标的类型和距离为匹配依据，滤除干扰信息和错误信息，保留毫米波雷达检测和视觉检测融合后的检测置信度较高的目标，从而提高车辆检测的准确率。实验结果表明，该方法在雾天下最高检测准确率达92.8%，召回率达90.7%，能够实现雾天对车辆的检测。

基于深度学习的车辆检测在众多领域发挥着至关重要的作用，是近年来计算机视觉的一个重要发展方向。车辆轻量化检测包含了对网络结构和计算效率的探索，并在智慧交通等诸多领域都得以广泛应用。然而在诸多场景下存在相机中车辆目标尺度变化大、车辆相互遮挡等问题，这些情况会影响到网络检测车辆的精度。针对上述问题，提出改进Yolov5s的车辆检测方法。首先通过视觉注意力网络捕获长距离依赖，对原有特征图施加新的权重，增强自适应性，提升网络的抗遮挡能力；接着在残差模块内部再次构造水平方向残差，在一个模块内部构建相同数量、不同大小感受野的特征图，丰富网络的多尺度表达能力。实验结果表明：改进后的网络在Pascal VOC车辆数据集上提供2.1%mAP性能提升，在MS COCO车辆数据集上提供1.7%mAP性能提升。改进后网络的多尺度表达能力更加出色，且抗遮挡能力更强，与原始网络相比检测结果更具有竞争力。

为了解决点云处理过程中空间信息损失的问题，同时在融合过程中最大程度地提取可见光图像的纹理信息，本文提出了一种基于特征切片的激光点云与可见光图像融合车辆检测方法（FVOIRGAN-Detection）。在CrossGAN-Detection方法中加入了FVOI（Front View Based on Original Information）的点云处理思路，将点云投影到前视角度并把原始点云信息的各个维度切片为特征通道，在不降低网络性能的情况下显著提高点云信息利用效率。并且引入了相对概率的思想，采用鉴别器鉴别图像的相对真实概率替代绝对真实概率，使得融合图像提取的纹理信息更加接近真实的纹理信息。在KITTI数据集上进行检测性能实验验证结果表明，本文方法在容易、中等和困难三个类别中的AP指标分别达到97.67%、87.86%和79.03%。在光线受限的场景下，AP指标达到了88.49%，与CrossGAN-Detection方法相比提高了2.37%，提高了目标检测的性能。

提出了一种基于并行融合网络的航拍红外车辆小目标检测方法。以并行残差块搭建的网络作为主干网络，完成对目标高精度且强鲁棒性的识别和分类。在此网络的基础上进行特征提取与特征融合，提出了基于跨层连接的改进YOLOv3算法，充分利用底层的信息完成对红外车辆小目标的高精度检测与定位。最后，采用soft-NMS替代NMS来缓解目标重叠问题。实验结果表明，本文方法能够准确检测复杂运动背景下的红外车辆小目标，并在误报率较低的情况下达到较高的检测精度。其中虚警率仅有0.01%且漏检率仅有1.36%。