我国汽车保有量不断增加,交通事故、交通堵塞等问题日益严重,拥有更优化的调度和保障能力的智能交通系统备受关注。智能驾驶辅助系统是智能交通系统的重要组成部分,应用计算机视觉、路径规划、自动控制等技术使汽车驾驶更加安全高效。其中,基于计算机视觉技术的车辆检测是影响智能驾驶辅助系统发展的核心问题。近年来,深度卷积神经网络取得的突破性进展极大地提高了计算机视觉算法能力,基于卷积神经网络的算法已成为目标检测领域的主要研究方向。但由于其庞大的计算量需求和存储空间需求,该算法在车载平台车辆检测领域的应用受到限制。本文对深度卷积神经网络在车辆检测领域的应用进行研究,采用了软硬件协同的系统级优化方法。在算法架构层面,以构建高速高准确率的车辆检测模型为目标,搭建并训练了适合嵌入式端的轻量级车辆检测模型,并对算法进行了优化和量化加速。模型测试结果显示,本文搭建的车辆检测算法在保持较高检测精度的情况下,大幅降低了检测模型计算需求和存储需求。在硬件层面,根据可编程门阵列的定点计算优化能力为基于深度卷积神经网络的车辆检测模型开发了高性能硬件平台。本文基于ZCU102开发板,使用SDSoC开发环境完成了硬件配置和加速,以及车辆检测功能的开发。