随着基于深度学习的目标检测算法的应用,自动驾驶系统的环境感知能力得到大幅提升。随之也带来数据获取成本高昂、标注过程繁琐、数据应用过程冗长等一系列难题。使用虚拟仿真数据作为模型训练的数据来源能够有效解决上述难题。但是,仿真数据与真实数据之间的差异限制其在实际产品中的应用。所以,本文以车辆检测为研究对象,设计仿真数据自动化生成与应用系统,在对仿真数据与真实数据之间差异进行量化评价分析基础上,提出缩小仿真数据与真实数据间差异的改进域适应方法,提高了仿真数据应用于车辆目标检测的性能。具体研究内容如下:为提高仿真数据的生成和应用效率,在对比分析典型的相关商业化工具平台的特点基础上,面向车辆目标检测模型的训练和部署需求,基于Matlab、Prescan和英伟达TX2集成开发仿真数据自动化生成与应用系统。该系统能够实现数据产生、模型训练、模型部署和性能测试全过程的自动化完成,为开展仿真数据应用于目标检测的相关研究奠定了基础。考虑到不同领域数据和不同数据生成方法之间的不同,本文使用Pre Scan生成仿真数据的检测能力仍有待评价。所以,为保证评价结果具有代表性,本文选择目前经典的单阶段（SSD）、两阶段（Faster R-CNN）检测方法和常用的真实数据集对产生的仿真数据在真实数据上的检测能力进行评估。以此为基础,本文在对比分析不同图像差异衡量方法的情况下,使用符合人类视觉系统感知的SSIM算法对仿真数据与真实数据之间的差异进行量化分析,明晰导致差异的主要原因,为后续用于车辆目标检测的仿真数据处理提供指导原则。目前缩小不同数据之间差异主要通过域适应方法实现,结合上述差异分析后的结论:仿真数据与真实数据差异主要存在于背景信息,本文通过对比域适应模型Cycle GAN转换后图像中目标物的变化,对现有Cycle GAN模型的损失函数进行改进。本文在Cycle GAN模型中加入目标检测模型SSD,并使用仿真数据真值信息与目标检测结果通过Focal Loss生成目标一致损失。使用目标一致损失对仿真数据转换过程进行监督,使转换过程缩小背景差异的同时尽可能保留目标物的特征信息。最后,本文采用上述SSD、Faster R-CNN检测模型对改进Cycle GAN转换后的仿真数据在真实数据上的检测能力进行验证。验证结果表明,改进Cycle GAN模型可以提高在真实数据上的车辆目标检测AP值,且优于标准Cycle GAN模型。