为提升前向障碍物识别与预警系统的性能，本研究采用目标检测YOLOv4算法结合实际应用场景构建改进的YOLOv4-MCAK(MobileNet convolutional attention Kalman, MCAK)算法。通过优化网络结构提升识别性能。本研究采用COCO数据集进行训练和测试，通过平均精度均值、召回率、交并比(intersection over union, IoU)和帧率(每秒帧数)(frames per second, FPS)等指标评估模型性能。结果表明：YOLOv4-MCAK在精度和IoU上显著优于Faster区域卷积神经网络、YOLOv4、YOLOv5,在前向障碍物识别与预警系统的应用中表现出更好的准确性和鲁棒性。本研究结果可丰富YOLO系列算法应用，具有广阔市场应用前景，可为行车安全提供有力保障。