近年来,得益于深度学习的发展,自动驾驶的研究与开发也取得了巨大的突破。国内外的许多公司都开发了自已的自动驾驶系统框架,譬如Google公司的Waymo,Baidu公司的Apollo和Tesla公司研制的Autopilot,其中最为人熟知的Autopilot已经成功的部署运行在了现实商用的Tesla轿车中。尽管各大公司都标榜如今的自动驾驶系统安全性能已经足够高,但是近年来不断有自动驾驶相关的车祸发生,比如18年和17年分别发生在Tesla轿车和Uber自动驾驶轿车上的车祸。事后事故分析指出发生原因都是自动驾驶系统的不同程度误判导致。为了提升自动驾驶系统的安全等级,工业界和学术界都在此做了很多关于自动驾驶测试的研究。其中比较重要的工作有DeepXplore[1]和DeepTest[2]方法,即一个针对自动驾驶系统能够自动生成测试用例的测试框架。上述方法降低了自动驾驶系统测试用例收集和生成的成本,提高了系统的稳定性。然而上诉工作也有一个严重的缺陷,即生成的测试用例跟现实场景的数据相差太大,合成的路况图片不真实,对此,在本论文中,我们针对现有的深度学习技术,主要包含对抗生成网络和图像风格转换技术,做了大量的实证研究,以探讨哪些现有的深度学习技术对于自动驾驶测试用例生成,即驾驶场景图片的合成,是最有效的。在第二章中,我们针对DeepTest测试框架,介绍了一个利用对抗生成网络技术合成测试用例的蜕变测试框架,第三章和第四章针对测试用例质量的提高,分别对能够实现图像风格变换的对抗生成网络技术和神经风格迁移技术进行了实证研究,第五章对已有的实验结果进行了统计和分析,并得出了相应的总结。本工作主要的贡献点在于:1.第一个大规模地针对深度学习技术,主要有对抗生成网络和神经风格迁移技术,运用在自动驾驶系统测试用例生成的实证研究。2.对实证研究中大量的实验数据进行了统计分析,得出了相关结论,指出哪些深度学习技术适合作为自动驾驶系统测试用例生成技术,给出了各个技术在不同评价指标下的性能对比。3.对DeepRoad测试框架进行了拓展。