随着计算机科学、通讯技术、自动控制原理等学科的发展,无人驾驶汽车从科幻走向现实,包括google在内的多家科技公司对无人驾驶汽车领域所涉及的自动驾驶技术表现出前所未有的研究热情,而其中对车辆检测算法的研究也已成为无人驾驶汽车在实现过程中的热点研究领域。近年来随着GPU技术的成熟,业内深度学习算法的理论研究上升到一个新的台阶,兴起了一批以CNN深度神经网络结构为基础的图像检测算法革新,他们相较浅层机器学习算法在检测精度方面有了明显提升。但因其存在网络规模过大导致的计算量过大问题,使其在嵌入式实现时困难重重,难以到达车辆检测任务的实时性要求,且过高的硬件实现成本使其难以在短时间内在车辆检测领域达到应用级要求。本文首先以提高基于深度学习的车辆检测算法的性能为目标,数据优化方面针对车辆检测任务对场景图片的要求,提出通过误差曲线分析方法和误差表格分析方法,重建深度学习算法所用的数据集,实现数据集优化。参数优化方面对深度学习算法中的关键参数进行对比选择,提取出最适合车辆检测任务的一组算法参数。通过以上的研究和实验,完成深度学习算法的优化和检测精度提升。其次,针对深度学习算法在嵌入式实现时计算量过大导致的运行速度慢、硬件成本高的问题,提出了对深度神经网络进行结构裁剪的优化方案。通过研究网络性能下降与网络裁剪比例之间的关系,结合车辆检测任务的问题复杂度分析,实现了深度学习算法的小型化。提出了适合于车辆检测嵌入式实现的X-TINY YOLO网络结构,其以牺牲少量检测精度为条件大幅度降低了计算量,使嵌入式实现基于深度学习的车辆检测算法并达到实时检测要求成为可能。最后,结合深度神经网络中存在的并行计算结构,选用微型ARM+FPGA硬件架构,设计和实现了千元内成本的实时车辆检测系统。在实现中主要解决了资源存在限制时的数据分割传输与流水线计算问题。该系统通过路测实验,满足车辆检测任务的实时性要求,且检测精准度高。综上所述,本课题立足于深度学习算法优化的研究,对其在车辆检测领域的应用做出尝试,最终实现了成本低且满足实时性和检测精准度要求的实时车辆检测系统。该研究为无人驾驶技术的车辆检测环节提供了一套完整实现方案。