为解决煤矿巷道环境恶劣及人工疲劳驾驶电机车导致煤矿井下有轨电机车事故频发的问题, 提出一种基于改进 YOLOv4–Tiny 算法的 YOLOv4–Tiny–4S 矿井电机车多目标实时检测方法. 首先, 为了提高网络模型对于小目标的检测能力, 将传统 YOLOv4–Tiny 的两尺度预测增加至 4 尺度预测, 并且在网络模型的颈部引入空间金字塔池化 (spatial pyramid pooling, SPP) 模块, 以丰富特征融合信息, 增大网络模型的感受野. 其次, 以煤矿巷道中的行人, 电机车, 信号灯及碎石作为检测目标, 创建矿井电机车多目标检测数据集, 并分别采用 K–means 和 K–means++ 聚类分析算法对数据集重新聚类; 对比分析结果表明, K–means++ 算法具有更好的聚类效果. 最后, 通过对传统 YOLOv4–Tiny 算法的消融实验, 进一步展示了不同改进措施对网络模型检测性能的影响; 并在电机车运行的煤矿巷道场景中, 对比分析了 YOLOv4–Tiny–4S 算法与其他几种算法的检测性能. 实验结果表明: YOLOv4–Tiny–4S 算法能够准确检测并识别出图像中的各类目标, 其平均精度均值 (mean average precision, mAP) 为 95.35%, 对小目标 “碎石” 的平均精度 (average precision, AP) 为 86.69%, 相比传统 YOLOv4–Tiny 算法分别提高了 12.38% 和 41.66%; 改进后算法的平均检测速度达 58.7 帧/s (frames per second, FPS), 模型内存仅为 26.3 Mb, YOLOv4–Tiny–4S 算法的检测性能优于其他算法. 本文提出的基于 YOLOv4–Tiny–4S 矿井电机车多目标实时检测方法可为实现矿井电机车的无人驾驶提供技术支撑.