随着计算机视觉的发展,基于深度学习的各种技术已集成在高级辅助驾驶系统(ADAS)中。如何从算法和系统层面提升ADAS的性能成为当前研究热点之一。本文以辅助驾驶应用中的轻量级目标检测和场景分类算法作为研究对象,主要研究内容如下:提出一种基于YOLOv3-Tiny改进的轻量级目标检测算法。本文在不损失精度的情况下,实现对目标检测主干网络进行轻量化压缩,主要改进有以下两个方面。第一,改进和压缩YOLOv3-Tiny提取特征的主干网络部分,使用深度可分离卷积以及倒残差的方式减少网络参数和计算量;第二,利用注意力机制对卷积层输出的特征图(Feature map)沿着通道和空间两个维度依次推断出注意力权重,并将注意力权重与原特征图相乘实现对特征的自适应调整进而提升网络的表征能力。针对以上两点改进,本文分别在国际公开通用多目标检测数据集(2007+2012)、国际公开自动驾驶数据库(KITTI)以及自行搭建车载摄像系统并收集的ADAS专用数据库上进行了验证。实验结果证明了本方法的有效性,在实现压缩网络计算量和参数量的情况下,本文改进的新方法与原算法相比在VOC2007Test数据集上的检测性能比当前最优结果高出3.9m AP(平均准确率),在自行收集的数据库上性能高出2.1m AP。提出一种基于卷积神经网络改进的场景分类算法。本文针对目前道路场景分类图像库在ADAS中的应用性,利用我们自行搭建的车载摄像系统收集国内道路场景数据,构建了一个包含光照情形、道路类型、天气情况以及时间段属性74000张图像的ADAS专用场景数据库。实验利用多任务分支的卷积神经网络实现场景数据库的几种属性类型的多标签分类,并利用卷积神经网络的预训练模型初始化参数和不同属性类数据加载方式优化多任务网络。测试集的实验结果表明提出算法的有效性,取得了92.2%的平均正确率。