随着我国人工智能和计算机视觉的不断发展,无人驾驶汽车成为人工智能领域的研究热点。车辆检测算法作为无人驾驶汽车的重要组成部分,为保障交通安全提供有力支撑。针对传统车辆检测算法精度低、时间长的问题,本文结合计算机视觉和深度学习技术进行车辆检测算法研究。本文主要研究内容如下:为了解决车辆检测算法准确性差的问题,使用基于改进的YOLOv5二维车辆检测算法。改进预处理模块的Mosaic结构,增加模糊车辆和小型车辆的样本,使算法更具有鲁棒性;采用自适应图片缩放方法,缩小图片尺寸,提升车辆检测算法实时性;使用PIoU损失函数优化算法,提升检测偏转车辆的准确性;在BDD-100K与NuScence数据集上完成迁移实验实现较好结果,展现了算法的优良性能。针对二维车辆检测中缺乏三维位置信息的问题,提出了一种基于激光雷达的三维车辆检测算法。通过统计滤波剔除激光雷达数据冗余点及离群点;利用随机抽样一致算法实现地面点云分割,提升检测实时性;改进3DSSD深度神经网络,通过融合采样提取点云中车辆语义信息与距离信息,加强车辆三维位置信息获取能力;根据特征信息对车辆位置进行二次调整生成中心点,使用三维中心分配器匹配中心点并生成三维车辆检测框。将KITTI数据集划为不同场景作为对比实验,对比多种三维车辆检测算法。实验结果表明:所提出的方法能够快速、准确的实现三维车辆检测,检测时间为0.12s,平均检测精度为79.77%,能够适应多种复杂场景中的车辆检测。针对车辆检测中车辆纹理信息缺失问题,提出了一种结合图像信息与点云信息的多模态特征融合三维车辆检测算法。通过毫米波雷达与相机联合标定,匹配两个传感器间的坐标关系并减小采样误差;采用统计滤波剔除毫米波雷达数据冗余点,减少离群点干扰;使用ResNet实现特征提取,构造多模态特征融合模块,利用逐像素平均融合点云与图像信息。加入特征金字塔提取融合后的高级特征信息提升复杂道路场景下的检测精度;建立特征融合区域建议结构根据高级特征信息生成区域建议,使用非极大值抑制去除冗余检测框后通过检测框顶点匹配输出车辆检测结果。经KITTI数据集测试,结果表明:算法平均检测精度为84.71%。该算法能够快速、准确的实现车辆检测,可为无人驾驶汽车的车辆检测提供有力手段。