近几年,随着车联网的不断发展,自动驾驶技术被广泛应用于提升智慧城市的车辆安全性,搭载到越来越多的车辆上。在实际道路环境上,后端碰撞是交通事故的主要原因之一,高效的后端碰撞预警策略和紧急制动系统配合能够极大提高道路交通的安全性。因此,构建一个可靠的实时后端碰撞预警策略对自动驾驶技术的普及显得尤为重要。当前,已经有很多研究人员针对后端碰撞预测做了大量研究,这些工作可以分为传统的参数化方法和基于机器学习的方法两类。近些年,基于机器学习的方法在实践中被证明比参数化方法更适合于解决这一复杂的预测问题。然而,由于在特征提取和收集真实数据集方面的限制,机器学习方法在后端碰撞预测中面临着很大的挑战。针对这些问题,本文提出一种新颖的基于卷积神经网络的后端碰撞检测策略(RCPM),将卷积神经网络运用到车辆碰撞检测领域。本文基于格拉姆矩阵,将基于时间序列的多维车辆轨迹数据转变为三维图像作为神经网络的输入。此外,一种新颖的基于遗传算法的合成过采样方法被用来扩充高危险等级的样本数量,以解决数据集的类别不平衡。本文结合空洞卷积构建神经网络模型,在不损失特征图分辨率的前提下,指数级增大感受野,提高卷积神经网络的收敛速度。本文工作表明,相比于以往的基于参数化方法和基于机器学习的算法,RCPM在保证实时预测的基础上,有效地提高了车辆后端碰撞预测的准确性。通过本文所提出的后端碰撞预警算法,可以有效保障自动驾驶的安全性,使自动驾驶在真实道路环境下有更强的适应能力。