针对现有基于大数据和深度学习的目标检测框架对于高分辨率复杂大场景中低分辨率小目标识别效果较差、多目标检测的精度和实时性难以平衡的问题，改进了基于深度学习的目标检测框架 SSD（single shot multibox detector），提出一种改进的多目标检测框架DRZ-SSD，将其专用于复杂大交通场景多目标检测。检测以从粗到细的策略进行，分别训练一个低分辨率粗略检测器和一个高分辨率精细检测器，对高分辨率图像进行下采样获得低分辨率版本，设计了一种基于增强学习的动态区域放大网络框架（DRZN）；动态放大低分辨率弱小目标区域至高分辨率再使用精细检测器进行检测识别，剩余图像区域使用粗略检测器进行检测，对弱小目标的检测与识别精度以及运算效率的提高效果明显；采用模糊阈值法调整自适应阈值策略在避免适应数据集的同时提高了模型的决策能力，显著降低了检测漏警率和虚警率。实验表明，改进后的DRZ-SSD在应对弱小目标、多目标、杂乱背景、遮挡等检测难度较大的情况时均能获得较好的效果。通过在指定数据集上的测试，相比于其他基于深度学习的目标检测框架，各类目标识别的平均准确率提高了4%~15%，平均准确率均值提高了约9%~16%，多目标检测率提高了13%~34%，检测识别速率达到38 fps，实现了算法精度与运行速率的平衡。
