截止至2017年底,全中国的机动车保有量达3.10亿辆,道路交通安全逐渐变成了一个重大问题。为了减少道路交通事故的发生,高级辅助驾驶技术(ADAS)系统正在被更多的汽车生产商所应用。ADAS系统中防撞系统最重要的部分是其识别测距部分,而复杂的道路交通环境,以及行人车辆的多样化给基于视觉的识别测距系统带来很大的难题。所以,对基于视觉的识别测距系统进行深入的研究并且提高其测距精度非常重要。鉴于传统算法虽然在检测目标部分识别率低,同时目标检测框的定位精度较差,这极大的增加了测距系统的误差,从而降低ADAS系统的安全性。本文提出了一种新的识别测距系统,该算法包含检测和测距两个部分,检测部分和测距部分,重点在于提高整体识别测距的精度。测距算法部分,本文对几种经典的单目测距算法进行了研究与分析,发现经典的测距算法实用性不足,难以直接应用于实际场景。并由此结合道路行驶环境的特殊性提出了根据道路边线在图像中延伸的交点作为消失点,以及基于消失点进行单目测距的算法。检测算法部分,本文首先详细分析以及介绍了传统的检测算法,然后介绍了基于深度学习的检测算法。并且综合分析了传统识别算法以及基于深度学习的检测算法的优缺点。最终提出一种先对图片粗略检测提取检测框,然后再精确分割的网络,这样使得网络既能够提高检测的精度又能够保证实时性。最后测试也分为两个部分,对于·检测部分,本文使用的是自制包含晴天、雨天以及夜晚多种天气的测试集图片对本文以及其他检测算法进行测试,得到其识別正确率,定位精度以及计算时间信息并分析各自算法优缺点。对于·测距部分,本文使用的是多个不同距离的图片用本文以及其他测距算法进行测距,得出在不同位置的测距误差并且分析不同算法的优缺点。本文还针对不同检测算法的定位误差对于测距算法的测距精度造成的影响进行了测试。相比于传统的算法,本文的识别测距算法的检测精度以及测距精度都要高得多,环境天气的改变对本文算法影响甚微,同时本文算法能在高精度的同时保证实时性,这对于提升ADAS系统的安全性具有重大意义。