为提高驾驶环境中的车辆目标检测精度与测距稳定性，提出了一种基于深度学习的车辆目标检测与测距方法。以YOLOX-S算法为车辆目标检测框架进行改进：在原算法的基础上引入卷积块注意力模块，增强网络特征表达能力，并将置信度损失函数更换为Focal Loss，降低简单样本训练权重，提高正样本关注度。根据车载相机成像原理和几何关系建立车辆测距模型，并输入测距特征点坐标和相机内参得到测距结果。采用自制Tlab数据集和BDD100K数据集对改进的YOLOX-S算法进行训练与评价，搭建静态测距实验场景对车辆测距模型进行验证。实验结果表明：改进的YOLOX-S算法在实验数据集上检测速度为70.14帧/s，与原算法相比精确率、召回率、F₁值、mAP分别提高了0.86%、1.32%、1.09%、1.54%；在纵向50 m、横向11.25 m的测量范围内，平均测距误差保持在3.20%以内。可见，本文方法在满足车辆检测实时性要求的同时，具有良好的车辆测距准确性与稳定性。