空闲车位检测是自动泊车的关键环节,而自动泊车是将智能驾驶推向市场的排头兵。空闲车位检测的性能对自动泊车的效果有直接影响,因此,开展关于空闲车位检测方法的研究对今后汽车实现智能化具有重要意义,这使得空闲车位检测成为了智能驾驶领域的研究热点。本文针对空闲车位检测环境复杂,现存目标检测算法难以同时满足空闲车位检测的准确性、实时性和易部署性,将Faster R-CNN、YOLOv5s引入空闲车位检测来表征该现象。进而提出了一种基于Rep-YOLOv5s的空闲车位检测方法,并对其车位特征检测、车位推理定位和车位占用分类进行了详细研究,通过理论分析和实验验证证明了该方法的可行性和正确性。主要研究内容如下:（1）基于环视系统的车位特征检测。根据不同的车位类型,提出一种车位特征分类规则,将车位特征分为车位头部特征和标记点特征。通过Rep VGG算法重参数化思想改进YOLOv5s网络并裁剪冗余通道,由此构建Rep-YOLOv5s目标检测算法。基于该算法搭建车位特征检测模型,再利用ps2.0数据集对其进行训练和测试,为了验证模型的鲁棒性本文自制了cps1.0测试集。经实验表明,该模型在维持车位特征检测准确性的同时,还轻量化了模型大小,加快了模型的训练速度和检测速度,并且该模型对环境具有一定的鲁棒性。（2）基于车位特征的车位推理定位。由车位特征检测模型得到车位特征后,提出标记点配对规则配对出成对标记点,再根据车位头部特征以及成对标记点的距离判断车位类型从而推导出车位的深度和角度信息,然后由本文提出的车位方向判断规则确定真实车位的方向。最后通过成对标记点、车位深度角度信息以及车位的方向推理定位出完整车位。经实验表明,该推理定位方法将车位定位误差控制在了一个合理的范围之内。（3）车位占用分类。本文提出Simple-Alex Net卷积神经网络模型,并制作车位占用分类数据集对其训练以此实现车位占用分类。经实验表明,本文定制的Simple-Alex Net网络模型小、精度高、速度快。最后,将车位特征检测、车位定位和车位占用分类耦合起来实现完整的基于Rep-YOLOv5s的空闲车位检测方法,实验结果表明该方法同时具备较高的准确性、实时性和易部署性,并且该模型对不同场景具有一定的鲁棒性。