随着汽车保有量的逐年增长,交通安全问题受到了越来越多的重视。交通事故造成了巨大的人员伤亡和经济损失。在夜间环境中,周围环境可视性变差,驾驶员对路况信息的判断不准确性增加,驾驶员存在视觉疲劳,因此夜间环境下的交通事故数量占据大多数。目前的汽车智能辅助驾驶系统还不完善,在夜间工况下的应用又是少之又少。如果能在夜间识别出前方车辆并且获取前方车辆的距离,无论在直行,转弯,掉头等场景都能极大地帮助驾驶员做出合理地判断,避免交通事故的发生。在研究夜间辅助系统的同时,还需要保证运算速度的问题,基于以上,本文提出单目视觉的夜间前方车辆检测与测距算法。第一,针对夜间的低照度环境,本文提出一种在保证图像的真实度最大的情况下,提高运算速度的图像增强算法。经过投影得到更低照度和更高照度的两类图片之后,将两类图片以基于主成分分析的方式图像融合,获得的图片是在正常照度的二维平面某个区域中。从主观和客观分析,和目前12种主流的算法对比,本文的算法是具有一定的优越性的。第二,针对夜间车辆轮廓不清晰的情况,本文采用注意力蒸馏的方法加大对车辆特征提取的力度。本文采用的是two-stage的检测方式。分为骨干部分(Backbone)和检测头(Head)两个部分。在骨干部分,本文的注意力蒸馏算法是将的流程视为一个学生网络,带有注意力机制的整个网络为教师网络辅助训练,将教师的“知识”传递给学生网络,教师网络只是在训练中使用。检测头部分的anchor的长宽比根据车辆的形状特性设置为{1:1,4:3,3:4,1:2},也加入了注意力模块HAM用来分离前景和背景。在两部分的检测单元中,都使用了5×5的大的感受野,并且在通道混选中对车辆特征的通道层加大权值参数。第三,夜间环境下的深度图真值很少,而且遮挡、相对运动的物体过多,本文提出一种基于时间和场景两个维度下的无监督网络模型估计深度,并结合单位性矩阵的算法由相对深度向绝对深度转化。最后本文和目前的16种单目深度估计算法比较,从平均相对误差、均方根误差、对数空间平均误差、阈值误差四个方面客观定量四个方面客观定量分析,本文在夜间深度方面有一定的优越性。本研究对于夜间车辆智能辅助驾驶系统的开发及优化具有一定的参考应用价值,对车辆的智能化的推广起到积极的作用。