El rápido desarrollo de la industria automotriz ha facilitado la vida de las personas, pero en los últimos años ha aumentado la frecuencia de los accidentes de tráfico, lo que hace que la seguridad de los vehículos sea particularmente importante. Este documento propone un algoritmo YOLOv5s mejorado para la identificación y detección de vehículos con el fin de reducir los problemas de seguridad al conducir vehículos basados en este problema. Con el fin de resolver los problemas de la desaparición del gradiente de entrenamiento del modelo en el algoritmo YOLOv5s, la dificultad para reconocer objetos pequeños y la baja precisión de reconocimiento causada por la función de regresión del marco de límite, es necesario implementar una nueva función. Estos aspectos han sido mejorados en este artículo. Sobre la base del algoritmo YOLOv5s tradicional, se utiliza la función de activación ELU para reemplazar la función de activación original. Luego se agrega el módulo de mecanismo de atención a la red principal del algoritmo YOLOv5s para mejorar la extracción de características de objetos pequeños y medianos. La función de pérdida CIoU reemplaza la función de regresión original de YOLOv5s, mejorando así la tasa de convergencia y la precisión de medición de la función de pérdida. En este documento, se utiliza el conjunto de datos construido para llevar a cabo experimentos pertinentes. Los resultados experimentales demuestran que, en comparación con el algoritmo anterior, el mAP de YOLOv5s mejorado es un 3,1% más alto, la tasa de convergencia es un 0,8% más alta y la pérdida es un 2,5% más baja.