随着社会经济的不断发展和生活水平的不断提高,汽车驾驶已经成为人们出行的首要选择。然而,长时间的疲劳驾驶不仅存在交通安全隐患,同时还会影响人们的出行体验。如在机动车上搭载无人驾驶系统,那么不仅可以为驾驶员提供辅助操纵,甚至有可能将驾驶员从单调枯燥且疲惫的驾驶活动中解放出来,因此利用深度学习理论来研究自动驾驶系统已经逐渐成为全球的研究热点之一。自动驾驶的关键技术可以分为感知、规划和控制三部分,其中感知部分是计算机视觉应用最为广泛的技术领域,其主要指目标检测与目标跟踪。随着深度学习理论的不断完善,计算机感知技术得到了极大的发展。车辆智能化作为未来的一种发展趋势,避障是需要解决的首要问题之一。因此,基于深度学习理论设计一套车辆避障系统,本系统主要包括检测器、跟踪器和目标距离计算三大模块,各算法模块同时部署在车载嵌入式系统和服务器端。为了充分利用深度学习模型,将整个软件系统设计成客户端-服务器的模式;搭载图像采集功能的嵌入式客户端负责信号采集、预处理以及传送图像数据,而服务器端会根据接收到的数据计算最终结果,并将其返回。为了保证检测器网络对目标车辆的检测效果,解决退化样本分布不均衡问题,运用嵌入式对抗网络系统进行离线训练。采用即时定位与地图重建法估计目标与行驶车辆间的距离。通过捕捉同一车辆在不同图像帧中的Sift特征,进而确定相机的位姿变化。根据获得的相关参数重建图像深度地图,从而利用相机相关参数估计出目标距离。根据实验阶段检测器、跟踪器的运行结果以及各自的时间开销给出计算效果。本文的实验结果表明,该方法可以较好地为车辆避障系统提供详细的车辆目标距离信息,该设计系统可以为后续自动驾驶问题的研究提供一定的指导意义。