深度学习技术的快速发展使得DNN驱动的自动驾驶技术的研究和部署有了质的突破。然而,虽然自动驾驶汽车已在无人操作的情况下路测行驶数百亿公里,其自动驾驶行为的安全性并不能得到保证——转向角度、安全距离、加速度及制动等因素的微小偏差都可能对安全操纵造成难以预计的结果。因此,自动驾驶汽车的安全性验证技术逐渐成为当前的研究热点和难点。本文以摄像头传感器采集的图像数据作为输入,以正确的转向角度作为输出,研究DNN驱动的自动驾驶汽车的转向角安全性验证问题。目前具有代表性的DNN安全性验证的方法主要有DeepTest、DLV和SDLV。DeepTest通过多种图像变换自动合成测试用例,进而基于测试用例自动检测DNN驱动车辆做出的可能导致致命碰撞的错误行为。但该框架受到图像变换种类局限性的约束,无法模拟现实世界所有种类的驾驶场景。DLV是一种图像分类神经网络安全性验证的自动验证框架,该框架基于可满足性模理论,通过神经网络逐层扰动分析,完成与图像操作有关的图像分类决策的安全性验证工作。由于自动驾驶系统正确的转向命令不唯一,因此DLV算法无法直接用于自动驾驶系统转向角度的安全性验证。SDLV是一种用于自动驾驶汽车转向角安全性验证的自动验证技术。该技术利用神经元覆盖率和松弛关系对DLV进行扩展,解决预测行为的判断问题,从而实现转向角安全性验证工作。本文新提出的CSDLV验证框架针对SDLV框架进行了进一步的优化和改进。一方面,安全性验证是通过查找对抗性错误分类来实现的,因此为进一步提高查找到对抗性实例的成功率,本文重新定义变质关系中的神经元覆盖率,引入主功能区神经元覆盖率和强神经元覆盖率对DLV框架进行扩展。另一方面,SDLV查找到的对抗性实例中存在假阳性样本,为降低对抗性错误分类中的假阳性比例,本文采用松弛关系和过滤准则相结合的方案,对对抗性实例进行进一步筛选。本文在NVIDIA的端到端自动驾驶系统上对提出的自动验证框架进行了评估,使用的数据集是在美国加州和圣佩德罗附近收集到的包含标有转向角度的汽车仪表盘摄像机记录的图像数据集合。最终的实验结果表明,该自动验证框架能够成功地找到对抗性错误分类,同时与SDLV相比,在目前最佳参数配置下,CSDLV框架查找到对抗性实例的成功率由71.8%提高到79.6%,实验结果中假阳性样本所占的比例由5.014%降至3.517%。