辅助驾驶系统（Advanced Driver Assistance Systems,ADAS）是智能交通系统的重要组成部分,其基础算法模块包括车道线检测、跟踪和车前障碍物目标识别等。现有的基于嵌入式平台的辅助驾驶系统由于计算资源受限,尚不能满足实时性和准确性的要求。本文针对扬州市人工智能研究院的实际课题,以面向嵌入式平台的辅助驾驶系统作为研究对象,采用NVIDIA Jetson TX2作为计算平台,围绕车道线检测、跟踪和车前障碍物目标识别等关键技术展开研究,主要研究内容和成果包括:（1）提出基于语义分割的轻量化车道线检测算法（SegLaneNet）。该算法通过简化U-Net语义分割模型结构提高运行速度,并增加多尺度输入、多尺度特征融合和本文改进的空洞空间金字塔池化模块（ASPP-tiny）三种提升模型检测精度的策略。使用图森（TuSimple）车道线检测挑战数据集和实验室采集的道路数据集进行实验分析,SegLaneNet算法在嵌入式计算平台上的准确率达到96.45%,运行速度达16帧/秒（FPS）,能够满足实时、准确的车道线检测性能要求。（2）提出一种车道线跟踪的方法（LT-CSK）。该方法基于CSK（Circulant Structure Kernel）目标跟踪算法,采用了透视变换、约束目标跟踪区域和本文改进的CSK相关性比较策略以适用于车道线跟踪任务。实验结果表明,LT-CSK能够满足实时、准确的车道线跟踪要求。（3）提出基于多尺度的轻量化车前障碍物目标识别算法（YOLO-AT）。该算法基于轻量化YOLOv3-tiny目标识别算法进行优化,增加ASPP-tiny结构提高算法的特征提取能力;采用Mosaic数据扩增方式,并联合原始数据进行多尺度训练;采用以IOU值为距离度量公式的K-means++算法用于锚框的启发式选择,以提高算法多尺度识别的泛化性。在BDD 100K数据集上进行实验,YOLO-AT算法测试取得23.04%的mAP（Mean Average Precision）值,嵌入式平台上的运行速度可达15FPS,能够满足车前障碍物目标识别任务的实时性和准确性要求。（4）基于NVIDIA Jetson TX2嵌入式平台进行SegLaneNet和YOLO-AT算法的移植部署。在嵌入式平台上配置算法运行环境并启动高性能计算模式,对SegLaneNet和YOLO-AT算法进行模型权值固化,并测试联合运行效果。实验结果表明,基于NVIDIA Jetson TX2嵌入式平台的SegLaneNet和YOLO-AT算法能够满足辅助驾驶系统实际应用的要求。