近年来,随着我国汽车保有量的不断增长,交通拥堵、事故伤亡、环境污染及能源枯竭等问题日益严重。因此,将人工智能算法特别是深度学习技术与控制技术相结合,研究开发更加节能、环保、安全的智能汽车技术已引起国内外研究机构的高度重视。环境感知作为智能汽车决策、规划任务的基础环节,通过视觉或雷达传感器感知车体外环境状态并进行目标检测和识别,进而实现自动驾驶功能具有重要作用。环境感知技术性能优劣也称为更高等级智能汽车总体性能优劣的主要原因之一,也成为近年来智能汽车领域研究热点之一。本文课题为深度学习在智能汽车环境感知中的应用研究,相关研究内容如下:(1)针对智能汽车环境感知算法需求,在调研智能汽车软硬件框架方案的基础上完成视觉传感器、毫米波雷达、多线激光雷达及车载工控机等硬件系统安装调试,并基于Socket/UDP通信协议实现多源传感器与工控机数据通信。(2)针对多源传感器融合需求,完成相机坐标系与雷达坐标系的联合标定。完成基于张氏标定法的相机内参标定;针对雷达外参数标定,设计了一种通过遗传算法优化水平度函数的标定方法,在不需要人工测量任何数据的基础下完成激光雷达的外参数标定。(3)研究基于深度卷积神经网络的智能车辆目标检测算法,重点分析基于区域提取和基于回归的两类算法,通过定性比较和实际道路场景测试对各自的优缺点进行阐述。(4)针对基于深度学习的目标检测算法运算实时性问题,通过重构轻量化底层特征提取网络,替代SSD算法的底层特征提取网络;针对算法精度问题,对手工设定锚点框宽高比进行改进,通过使用无监督聚类算法自动学习适应于行人、车辆等目标的锚点框宽高比例,提高算法检测精度。(5)针对视觉传感器光照鲁棒性差、雷达点云缺乏纹理信息、噪音点多的缺点,建立了一种基于深度学习的多源传感器融合车辆检测算法。使用传统点云分割算法产生目标假设,并投影至像素坐标系下通过Delaunay三角剖分法最近邻插值生成包含强度、距离信息的融合图,训练深层残差网络完成目标识别,实现近端场景下的目标精确定位。