针对现有道路车辆检测识别算法中存在的检测精度不高、实时性差以及小目标车辆漏检等问题，提出一种基于密集连接卷积神经网络的道路车辆检测与识别算法。首先，基于YOLOv4网络框架，通过采用密集连接的深度残差网络结构，加强特征提取阶段的特征复用，实现对浅层复杂度较低的特征的利用；然后，在多尺度特征融合网络引入跳跃连接结构，强化网络的特征信息融合和表征能力，以降低车辆漏检率；最后，采用维度聚类算法重新计算先验框尺寸，并按照合理的策略分配给不同检测尺度。实验结果表明，该算法在KITTI数据集上获得了98.21%的检测精度和48.05 frame/s的检测速度，对于BDD100K数据集中复杂恶劣环境中的车辆也有较好的检测效果，在满足实时检测要求的同时有效提升检测精度。
