汽车作为现代社会日常生活中极为重要的交通工具之一,给人们的出行带来了很大的方便,但与此同时,也给人类社会带来了一系列隐藏的问题,比如行车安全性、乘车舒适性等,特别是道路交通安全事故发生数量逐年攀升,不容小觑。智能辅助驾驶为解决以上问题提供了一种新的途径,成为了当今的技术热点。本文面向汽车辅助驾驶任务,对其中的道路目标检测和路况识别技术展开研究,以提高智能辅助驾驶系统发现目标和探测道路状况的能力,为整车的自动控制提供稳定可靠的输入,因此有着非常重要的理论意义和应用价值。论文的主要工作如下:首先,论文详细介绍了目标检测和路况识别两个领域的发展历程和研究现状,并对相关经典算法进行了分析和比较。然后,针对道路目标检测任务,提出了YOLO v3改进算法模型。针对车辆嵌入式设备内存空间和计算能力均有限的问题,本文通过网络裁剪和损失函数改进两个方面,对YOLO v3算法模型进行了相应改进。其次,针对路况识别任务,提出了基于Darknet-53网络的改进算法模型。将路况识别问题（以车辆振动幅度级别为类标签,有别于传统路况识别问题）视为图像分类问题,并从缩减卷积层输出通道数和增加全连接层两个方向进行了改进。并且针对路况识别任务,拟定了一套以车辆振动幅度级别为标签的路况数据集采集方案,并完成了数据集的采集、标定以及增强等工作。最后,针对本文提出的基于YOLO v3算法的道路目标检测模型和基于Darknet-53网络的路况识别模型,分别在增强后的BDD100K公开数据集和本文采集的路况识别数据集上进行了相关实验。实验结果显示,本文提出的基于YOLO v3算法的目标检测模型相比于原模型的体积降低了约77.8%,运行速度提升了约53.4 fps,m AP-50值提高了约2.6%;本文提出的基于Darknet-53网络的路况识别模型相比原模型的体积降低了约74.3%,运行速度提升了约1.7 fps,分类准确率提升了约5.98%。因此,本文提出的两种改进模型综合表现均比原模型更好,满足实际智能辅助驾驶场景需要,具有一定的参考及应用价值。