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）時出現的精度下降問題，提出一種使用轉置卷積操作構建的循環特征聚合模型。該模型以SSD模型為基礎，使用ResNet 101作為特征提取網絡。首先，利用轉置卷積操作擴大網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。特征聚合過程可以循環進行多次。實驗結果表明，使用KITTI數據集，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中，精確地定位車輛和行人與實現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了深度卷積神經網絡在自動駕駛技術發展中發揮的關鍵作用。目前基于卷積神經網絡的不同方法可以大致被分為兩類：第一類是類似基于區域卷積神經網絡（ Regions with Convolutional Neural Network，R-CNN）‘11的雙階段方法。該類方法的第一階段產生高質量的候選區域，第二階段對候選區域進行分類和定位結果優化。另外一類方法取消了生成候選區域階段，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，能夠在生產環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。