Los enfoques tradicionales de aprendizaje automático son susceptibles a factores como la escala del objeto, la oclusión, lo que lleva a una baja eficiencia de detección y poca versatilidad en aplicaciones de detección de vehículos. Para abordar este problema, proponemos una red de refinamiento consciente de las partes, que combina estrategias de entrenamiento multinivel y generación de confianza en componentes en la detección de vehículos. Específicamente, dividimos la confianza de predicción original de un solo valor y adoptamos la confianza de la parte visible del vehículo para corregir la confianza de detección absoluta del vehículo. Eso reduce el impacto de la oclusión en el efecto de detección. Simultáneamente, volvemos a etiquetar los datos de KITTI, agregando la información detallada de oclusión de los vehículos. Luego, el modelo de red neuronal profunda se entrena y se prueba utilizando las nuevas imágenes. Nuestro método propuesto puede extraer automáticamente las características del vehículo y resolver problemas de error más grandes al localizar vehículos en enfoques tradicionales. Los extensos resultados experimentales en los conjuntos de datos de KITTI muestran que nuestro método supera significativamente a los estados del arte manteniendo el tiempo de detección.