智能驾驶是车辆根据各种传感器设备,感知周围环境和自身状态,在没有驾驶员干预的情况下,根据周围环境和汽车状态做出相应的决策,改变驾驶策略的活动。智能驾驶可以避免许多驾驶员不必要的驾驶错误,减少交通事故的发生,能够提高交通资源的利用率,降低人们的出行成本,因此智能驾驶技术具有重要的研究意义。近年来,随着学者对深度学习技术在计算机视觉领域中不断的研究,计算机已经在一些视觉任务中超越人类。在智能驾驶中,相比较于其他传感器如雷达、超声波等,图像传感器可以获得更多的信息,视觉感知也是驾驶员在驾驶过程中,主要的信息获取方式。论文主要工作如下:首先,阐述了智能驾驶的研究背景和意义,对图像处理算法做了相关理论研究。研究了图像预处理技术,对比分析了传统图像处理算法和基于深度学习的图像处理算法之间的差别和优缺点,确定了使用深度学习的算法作为本文图像处理的算法。其次,设计实现了一种基于深度学习的目标检测算法。以卷积神经网络为基础,对该网络了做了详细的设计。该网络基于回归的思想,利用高层特征具有低分辨率、高语义信息的特点和低层特征具有高分辨率、低语义信息的特点,将高层与低层特征进行特征融合,能够提高网络对尺度变化的适应和对小目标检测的效果。并与HOG+SVM的检测框架做了对比实验,本文的检测算法在IOU>0.5的阈值下,准确率为95.70%,召回率为96.80%,实验结果证明了本文算法的优越性。然后,针对本文的车尾灯状态分类任务,开发了数据标注工具,用于解决本文车灯分类数据的标注;设计实现了基于卷积神经网络的分类器,分别设计了单标签的网络模型和多标签的网络模型;为了增加样本数据的丰富性,对数据进行了不同方式的数据扩充和增强。并经过实验验证了多标签分类器具有一定的优越性,各类的分类准确率都达到了 95%以上。最后,基于以上实现的算法,设计并开发完成了智能驾驶子系统——车尾检测跟踪与车尾灯状态判断系统。该系统可以以实时摄像头或采集好的视频作为输入,具有前方车尾检测跟踪和车尾灯状态分类的功能。经过实验验证本系统能够很好的对前方车辆进行检测和跟踪,并且能够准确的判断车尾灯状态,在性能上能够达到实时性的要求。本文对智能驾驶中视觉感知的关键技术做了研究,并在此基础上进行了有益的尝试,其研究成果具有一定的实际应用价值,对于智能驾驶视觉感知技术的应用有一定的参考价值。