随着道路交通系统的复杂性日益增加,驾驶安全问题已经成为一个不可忽视的社会性问题。近年来,学术界和工业界面向智能网联汽车领域提出了很多驾驶辅助方案,其中,多传感器数据融合、视觉感知以及协作驾驶等主要技术被广泛应用在驾驶行为理解、驾驶环境感知等方面。同时,图形处理器(Graphics Processing Unit,GPU)等高性能计算单元为车联网(Internet of Vehicles,IoV)场景中的大规模数据处理提供了有力的硬件支持。此外,深度神经网络(Deep Neural Networks,DNNs),特别是卷积神经网络(Convolutional Neural Networks,CNNs),应用多层线性和非线性函数抽取图像特征,在对车辆周围环境进行目标检测、场景理解方面发挥着重要作用。然而,深度神经网络具有网络层次多、结构庞大、卷积运算复杂的特点,模型运行伴随着大量计算资源和存储资源的消耗和占用。车载终端计算资源不能满足此类计算密集型和存储密集型任务的计算需求,因此无法达到交通场景中对于智能驾驶辅助系统的准确性和实时性要求。考虑到单车智能驾驶系统的计算局限性,很多研究致力于为网联汽车提出车云协同的智能驾驶方案。然而远端的集中式云服务器与车辆进行通信并为其提供计算服务会导致较大的通信时延,车辆的大规模接入也会为云中心带来较大的计算压力。基于上述研究背景,本文为网联汽车提出了一种基于边缘计算的智能预警系统。通过网联汽车与更靠近用户的边缘云服务器进行网络连接,构建了车载终端-边缘云协作计算平台。该系统应用网联汽车通信机制,在车辆行驶场景中实现了对视频数据的协作处理,并根据计算结果为驾驶员提供前车碰撞预警、车辆保持预警、弱势交通参与者预警三种预警功能。此种协作式计算的设计方案可以充分利用终端设备的空闲资源,进而能够减少车辆与边缘云之间的通信压力,从而实现基于计算机视觉驾驶辅助系统的实时性和智能化。本文在特定数据集上训练得到具有不同检测精度和检测速度的高精度检测模型和低时延检测模型,可以根据场景复杂程度和网络传输状况进行选择,从而实现对于小型汽车、公交车、行人、自行车、摩托车等物体的实时检测。本文所提出的车辆与边缘云协作预警系统存在大规模驾驶数据传输场景,大量的数据交互所引发的信息安全和隐私保护方面的挑战也不容忽视。针对协作预警系统的结构特点,本文在系统中实现了基于RSA非对称加密算法、高级加密标准(Advanced Encryption Standard,AES)以及椭圆曲线数字签名算法(Elliptic Curve Digital Signature Algorithm,ECDSA)的方案,用于保护网联汽车通信系统的信息与隐私安全,并对系统的性能进行评估,实验结果证明本文设计的系统满足智能网联汽车驾驶场景的实时性需求。