针对现有网络在道路交通场景下的远处目标识别效果欠佳、目标特征表达不充分及目标定位不准确等目标检测问题，提出一种基于改进YOLOv5算法的道路目标检测方法。首先，总结了YOLOv5算法的特征提取结构，分析出原网络结构的不足之处；其次，在原网络基础上增加小目标检测层，通过补充融合特征层及引入额外检测头，提高网络对远处目标的识别能力；再次，对原检测头进行解耦，通过将边框回归和目标分类过程改为两个分支进行，提升网络对目标特征的表达能力；然后，对先验框进行重聚类，通过K-means++算法调整先验框的高宽比例，增强网络对目标的定位能力；最后，以AP、mAP和FPS为评价指标进行消融、对比和可视化验证实验。结果表明：本文算法在BDD100K数据集上检测速度为95.2帧/s，平均精度达到55.6%，较YOLOv5算法提高6.7%。可见，改进YOLOv5算法在满足检测实时性要求的同时，具备较高的目标检测精度，适用于复杂交通环境下的道路目标检测任务，对提升自动驾驶汽车的视觉感知能力具有指导意义。