Los vehículos de material peligroso son una fuente móvil de peligro no despreciable en el transporte y representan un riesgo significativo para la seguridad. En la actualidad, la tecnología de detección actual está bien desarrollada, pero también enfrenta una serie de desafíos como una cantidad significativa de esfuerzo computacional y una precisión insatisfactoria. Para abordar estos problemas, este documento propone un método basado en YOLOv5 para mejorar la precisión de detección de vehículos de material peligroso. El método introduce un módulo de atención en la red principal de YOLOv5, así como en la red del cuello para lograr el propósito de extraer mejores características asignando diferentes pesos a diferentes partes del mapa de características para suprimir la información no crítica. Para mejorar la capacidad de fusión del modelo en diferentes mapas de características de tamaño, la capa SPPF (Agrupamiento Piramidal Espacial-Rápido) en la red se reemplaza por la capa SPPCSPC (Agrupamiento Piramidal Espacial Cruzado con Convolución Parcial de Etapa). Además, la función de pérdida de cuadro delimitador se reemplazó por la función de pérdida de SIoU para acelerar eficazmente la regresión del cuadro delimitador y mejorar la precisión de localización del modelo. Los experimentos en el conjunto de datos muestran que el modelo mejorado ha mejorado efectivamente la precisión de detección de vehículos químicos peligrosos en comparación con el modelo original. Nuestro modelo es de gran importancia para lograr la vigilancia de accidentes de tráfico y un rescate de emergencia efectivo.