En la actualidad, la detección de vehículos precedentes sigue siendo un problema desafiante para las tecnologías de vehículos autónomos. En los últimos años, el aprendizaje profundo ha demostrado ser exitoso para la detección de vehículos, como el método de región más rápida con una red neuronal convolucional (Faster R-CNN). Sin embargo, cuando la velocidad del vehículo anfitrión aumenta o hay una occlusión al frente, el rendimiento del algoritmo Faster R-CNN generalmente se degrada. Para obtener un mejor rendimiento en la detección de vehículos precedentes cuando cambia la velocidad del vehículo anfitrión, se propone un método de anclaje aleatorio de clasificación de velocidad (SCRA). Se analizan las razones de la disminución de la precisión de detección cuando aumenta la velocidad del vehículo anfitrión, y se introduce el factor de velocidad del vehículo para rediseñar los anclajes. Los anclajes rediseñados pueden adaptarse a los cambios de la regla de tamaño del vehículo precedente cuando aumenta la velocidad del vehículo anfitrión. Además, para lograr un mejor rendimiento en vehículos ocultos, se propone un método de coeficiente de penalización Q-cuadrado (Q-SPC) para optimizar el algoritmo Faster R-CNN. Los resultados de validación experimental muestran que en comparación con el algoritmo Faster R-CNN, los métodos SCRA y Q-SPC tienen cierta importancia para mejorar la precisión de detección de vehículos precedentes.