在汽车的智能化发展进程中,无人驾驶热潮已席卷全球。但谷歌“无人车之父”及Udacity创始人Sebastian Thrun指出,目前无人驾驶还处于初级阶段,短期内不会大规模普及,8到10年后无人驾驶汽车才能被大多数人在日常生活中使用。以智能化与主动安全技术为核心的半自动驾驶更切实际、更注重实用性。汽车安全是汽车智能化关注的焦点。如今,自动化和人工智能技术,结合精确的车联网大数据,正推动着汽车行业从“被动安全”向“主动安全”的纵深发展。近年来,对汽车主动安全系统的研究已经成为汽车安全领域的一个研究前沿与热点,该研究对于提高行车安全,降低交通事故发生率具有重要的社会意义和应用价值。论文以计算机视觉和深度学习理论为依据,以汽车主动安全系统为研究对象,对汽车主动安全系统中的若干关键技术,如环境感知技术:目标检测与跟踪;驾驶行为分析技术:变道行为检测与变道行为预测;以及智能控制与决策技术:智能防撞控制策略,展开了相应的研究工作,并给出了实验结果。论文的主要创新点如下:(1)为了增强系统的环境感知能力,针对传统目标跟踪算法无法适应复杂的跟踪变化,处理有遮挡情况效果差、跟踪精度低等问题,提出了一种基于YOLO(You Only Look Once)和RRN(Recurrent Regression Network)的运动目标跟踪算法,建立了一种结构简单、运算快速、跟踪准确的深度循环回归网络模型,可以满足汽车主动安全系统对环境感知的实时性需求;且对有遮挡情况下的目标跟踪适应性较强,可以为汽车主动安全系统在复杂环境下的目标跟踪性能提供有效的保障。(2)在环境感知的基础上,为了增强系统对行驶环境下变道行为的检测能力,提出了一种基于多传感器信息融合的变道行为检测方法,首先对两种不同类型的传感器数据,即道路视频图像数据和车辆状态数据进行特征提取,然后对比验证了构建的基于协同表示的优化投影分类器(CROPC)对两种多传感器信息融合方法,即特征级融合法与决策级融合法的有效性。实验结果表明,CROPC分类器的性能明显优于其他先进的分类器,可以提高行驶环境下的变道行为检测精度。(3)变道行为预测是实现智能防撞控制的关键。为了能在变道事件发生前预测出驾驶员的变道意图,构建了一种基于分组卷积神经网络的变道行为预测模型(MTS-GCNN)。在模型的训练阶段,提出了一种新型的网络结构学习方法:首先利用谱聚类算法对输入的多元时序信号进行分组操作,然后对聚类后属于同一簇的输入变量进行卷积运算,显式地学习MTS-GCNN网络结构。MTS-GCNN模型可以通过卷积和池化操作自动地选择和提取合适的内部结构,生成深度网络所需的时空特征,从而实现快速、可靠的自动化变道预测。(4)基于变道行为预测,本文构建了一种新颖的深度判别模型(DDM),实现了对危险变道行为引起的碰撞事故预测及碰撞风险评估,为汽车主动安全系统完成智能防撞控制任务奠定了基础。通过引入一种ConvLSTMs网络,DDM模型能够在时空域中同时处理视觉数据、车辆状态数据和生理信号数据。实验结果表明,在同一深度网络框架内同时处理多种类型的数据是可行且有益的。论文为汽车主动安全系统中的关键技术研究提供了一条新的思路,提出的研究方法和实验成果证明了计算机视觉技术与深度学习模型在汽车安全研究领域具有重要的理论意义和潜在的应用价值。