成熟的自动驾驶技术能够极大降低交通事故率,保障驾驶人员与行人的安全,优化交通流运行,但早期的自动驾驶系统可靠性与智能性都很低,不能满足实际应用需求。近年来,深度学习技术迅速发展,并与自动驾驶领域结合,其在机器视觉、自然语言处理等领域的成功应用使得自动驾驶越来越接近现实。介绍了目前自动驾驶系统的主流技术框架,并对其各模块中深度学习技术的应用情况进行系统梳理,将自动驾驶系统分为分解式和端到端式两种技术方案,并将分解式方案进一步分为感知、决策、控制3大模块,分别对以上两类解决方案中深度学习技术应用的历史沿革、研究现状以及典型算法性能进行综合评述。已有的研究成果表明,分解式方案的技术路径较为成熟,感知、决策、控制3个功能模块分工清晰,可解释性强,但系统复杂度高,计算量大,软件架构庞大,硬件要求高,应进一步简化各问题的算法,加强各个算法模块间的功能整合,降低系统复杂度与硬件要求;端到端式方案计算量小,硬件要求低,且系统复杂度低,但对算法要求高,安全性低,可解释性、可靠性差,建议未来通过完善智能道路基础设施,推进5G传输的应用,加强车路、车云协同,进一步完善现有算法来解决以上问题。