針對單階段多邊框目標檢測（ SSD）模型在以高交并比（IoU）評估平均檢測精度（mAP）時出現(xiàn)的精度下降問題，提出一種使用轉置卷積操作構建的循環(huán)特征聚合模型。該模型以SSD模型為基礎，使用ResNet 101作為特征提取網(wǎng)絡。首先，利用轉置卷積操作擴大網(wǎng)絡結構中深層特征圖的尺寸，為淺層特征圖引入對目標的高層抽象和上下文信息；其次，使用全連接卷積層減少淺層特征圖在進行特征聚合時出現(xiàn)偏差的可能性；最后，將淺層特征圖與表示了上下文信息的深層特征圖拼接，并使用lxl卷積操作恢復通道數(shù)。特征聚合過程可以循環(huán)進行多次。實驗結果表明，使用KITTI數(shù)據(jù)集，以交并比（IoU）為0.7評估平均檢測精度，與原始SSD模型相比，循環(huán)特征聚合模型的檢測精度提高了5.1個百分點；與已有的精度最高Faster R-CNN相比，檢測精度提高了2個百分點。循環(huán)特征聚合模型能有效提升平均目標檢測精度，生成高質量的邊界框。

　　在現(xiàn)實世界的應用中，以高精度分類和定位目標是服務質量的關鍵。例如，在高端的駕駛輔助系統(tǒng)中，精確地定位車輛和行人與實現(xiàn)安全的自動駕駛緊密相關。

　　近幾年在目標檢測領域取得的進展體現(xiàn)了深度卷積神經(jīng)網(wǎng)絡在自動駕駛技術發(fā)展中發(fā)揮的關鍵作用。目前基于卷積神經(jīng)網(wǎng)絡的不同方法可以大致被分為兩類：第一類是類似基于區(qū)域卷積神經(jīng)網(wǎng)絡（ Regions with Convolutional Neural Network，R-CNN）‘11的雙階段方法。該類方法的第一階段產(chǎn)生高質量的候選區(qū)域，第二階段對候選區(qū)域進行分類和定位結果優(yōu)化。另外一類方法取消了生成候選區(qū)域階段，構建了一個單階段的端到端模型。單階段模型通常更加容易訓練，能夠在生產(chǎn)環(huán)境中達到更高的計算效率心］。然而，當單階段模型需要以更高的交并比（ Intersection over Union，IoU）來評估平均目標檢測精度時，運算速度的優(yōu)勢通常會被較低的檢測精度抵消，而雙階段的目標檢測方法能夠取得更高的檢測精度。造成單階段方法在高IoU條件下檢測精度降低的主要原因是：在復雜的場景中，模型很難生成高質量的邊界框。