智能汽车作为解决交通安全和效率问题的重要途径之一,受到国内外企业和科研院所的广泛关注。辅助驾驶是汽车智能化的重要阶段和必经之路,市场需求十分巨大。前方碰撞预警作为一项辅助驾驶技术,已成功应用在汽车产品中。然而,现有碰撞预警系统存在适应性的瓶颈难题,固化的碰撞预警阈值无法适应动态交通环境的变化以及驾驶员的个性化需求,使得误警率高、驾驶员接受度低,碰撞预警功能常常被驾驶员主动关闭,无法提供有效的安全保障。该文依托国家重点研发计划和江苏省重点研发计划项目,研究了汽车行驶环境的动态识别方法,提出了考虑前方车辆行为特征的碰撞预警技术,基于仿真软件和智能汽车实车测试平台开展算法验证,所提碰撞预警方法具有较高的准确性和适应性。具体研究内容如下:（1）提出了一种深度学习的多车道线检测方法。引入多任务深度网络结构,设计了一种多车道线检测算法,采用自适应透视变换提高转换图像精度,拟合得到车道线的检测结果。算法具有较高实时性和检测精度。（2）设计了一种轻量化点云分类网络的道路多目标检测方法。使用滤波算法及网格法剔除地面点,减少非目标点云数据,同时提高了算法实时性。在此基础上,使用自适应距离的聚类方法完成点云聚类,实现多目标类别的高精度识别。（3）提出了基于HMM的前方车辆行为识别方法。离线环节利用HMM建模方法建立车辆典型行为模型。在线检测环节训练HMM模型对目标车辆进行行为初步识别。进一步,引入目标车辆周边车辆的行为信息,利用MLP模型完成前方车辆的行为识别。（4）建立了考虑前方车辆行为的碰撞预警方法。提出了改进的安全距离和安全时间模型,基于模糊理论设计了碰撞预警策略,测试表明,算法在不同工况下均能实现较佳的预警效果。经6种测试场景的仿真对比,所提二级预警策略适用性强、准确率高,预警效果明显优于传统的MAZDA模型和HONDA模型。