随着人工智能技术的迅速发展,无人驾驶汽车已成为当下社会研究热点之一。其中,目标识别是实现无人驾驶汽车的重要环节之一,通过对传感器收集到的数据进行处理和分析,车辆系统对周围环境做出感知和判断。又随着深度学习在计算机视觉领域的成功应用以及计算机硬件水平的提高,基于深度学习的目标识别得到了研究者大量的关注与研究。基于以上两点,本文基于深度学习算法,针对无人驾驶车辆的目标识别进行研究,本文内容主要有以下几点。首先,对与本文内容相关的深度学习基础知识进行了详细探讨。分析了卷积核、池化层、激活函数作用、卷积神经网络中正则化实现以及循环神经网络等。并通过卷积核可视化进一步理解卷积神经网络,为网络的改进和效果的提升奠定了基础。接着,对静态目标识别进行研究,以单帧图像作为输入,对图像进行分类。本文主要针对交通标志牌进行识别,结合现有网络模型以及收集到数据的特性,对网络结构进行改进。并结合数据样本分布特点对损失函数进行改进,使得改进后的模型具有更高的识别准确率。然后,对动态目标识别进行研究,以连续多帧图像作为输入,对带有时间信息的多帧图像进行分类。本文主要针对行人行为进行识别,在C3D基础上,结合跃层连接、标准化归一层和循环神经网络进行改进,使得改进后的网络模型具有更高的识别准确率。最后,本文将算法用到工程实践中,以无人小车为载体,以英伟达嵌入式计算设备为计算平台,结合GPU加速对算法进行实际检验,证明算法在实际应用中能有效对设定的交通标志牌和行人行为做出识别。通过大量实验和实际实物测试证明,本文所设计的目标识别算法具有一定的理论创新性和工程实用性。