近年来汽车自动辅助驾驶技术得到快速的发展和应用。但目前道路上行驶的车辆配置的驾驶辅助系统功能参差不齐,许多缺乏基本的驾驶辅助功能,如避撞预警功能,变道预警功能。为了以低成本的方式提高这些车辆的驾驶安全性能,使用深度学习图像处理技术,基于单目摄像头实现了驾驶预警系统相应功能的开发。基于单目摄像头的深度学习前处理的驾驶预警系统通过周边环境感知,提示驾驶员相关危险信息。路面基本环境信息应包括车辆信息和车道信息。系统使用低成本的单目摄像头获取环境信息,然后通过深度学习前处理模块得到前方车辆信息和自车车道信息,最终结合预警后处理模块进行分析,得到危险路况的警示信息。为了避免传统计算机视觉带来的高耗时,高误检率和低准确率问题,提出了基于单目摄像头的深度学习前处理的驾驶预警系统方案。利用低成本摄像头,以及深度学习快速推理的能力,及时准确地向驾驶员提供预警信息,及时有效的避免交通事故发生。首先使用CoCo2017数据集对网络进行预训练。然后创建了专门用于车辆检测的CQ＿vehicle＿dataset数据库,对预训练过的权重再次训练。为了使网络更适应车辆目标的检测任务,使用了Kmeans++算法对66389个不同车辆目标的宽高比进行了聚类分析。基于原有Mask R-CNN网络架构,增加了一组锚框比例,提高了车辆目标的检测精度。对车道的检测使用了一种端到端的训练方法,直接得到自车车道的左右两根车道的二阶拟合系数。验证了使用最小二乘法拟合车道线的过程是可微的,也能在网络中反向传播。在Tusimple Dataset数据集已有标注信息基础上,新增了车道线拟合系数的标注信息,再进行端到端的训练。对均方差损失以及几何损失函数进行实验对比,选择了几何损失作为损失函数。对网络输出进行了预处理,然后再作为预警后处理模块的输入。预警后处理模块将两个网路输出的车辆与车道信息作为输入。设计了碰撞预警模块以及前车变道预警两个模块。碰撞预警模块先对车辆目标进行筛选,然后设计了一种基于单目摄像头的内参以及安装参数为依据的第一人称测距方法,实现了车辆目标的准确测距。前车变道预警模块根据车辆与车道夹角变化率之间的关系,实现了一种第一人称视角的变道行为判别系统,取得了较好的效果。结合两个预警子模块,对驾驶员进行及时和准确的风险提示。