本研究中，使用深度学习进行方向检测，特别关注了道路使用者中较为脆弱的一类——自行车骑行者。了解骑行者的方向对于预测其未来的行驶轨迹具有重要意义，这在智能交通系统中避免事故方面至关重要。通过使用预训练模型和TensorFlow进行迁移学习，我们对文献中报告的主要目标检测算法（如SSD、Faster R-CNN、R-FCN）以及MobilenetV2、InceptionV2、ResNet50、ResNet101特征提取器进行了性能比较。此外，我们提出了根据八个不同方向进行多类别检测的方法。为此，我们引入了一个名为“Detect-Bike”的新数据集，该数据集包含11,103张图像中的20,229个骑行者实例，并根据骑行者的方向进行了标注。接着，用于检测的相同深度学习方法被训练以确定目标的朝向。我们的实验结果和广泛的评估表明，所有研究方法在骑行者及其方向检测方面均表现出令人满意的性能，特别是使用ResNet50的Faster R-CNN虽然精度高但速度显著较慢。与此同时，使用InceptionV2的SSD在精度和执行时间之间提供了良好的平衡，并且更适合实时嵌入式应用。