近年,随着汽车在生活中的普及,人们越来越关注智能辅助驾驶技术,而道路目标检测能力是智能辅助驾驶技术实用化的关键环节。在车载嵌入式设备中采用神经网络进行道路目标检测成为当前研究热点。但仅在ARM上使用神经网络算法对道路目标检测的识别效率并不高。本文采用在Zynq上优化神经网络的方式,来提高道路目标检测效率。主要研究内容包括:(1)道路目标检测:采用Tiny-YOLO模型对道路中的交通目标进行检测。研究过程中对训练数据集进行了标定,并且使用不同位数的定点数代替浮点数,对定点化操作对模型的准确率以及训练的影响进行了分析。(2)卷积神经网络的Zynq实现:使用HLS设计前向传播模块,实现了基于FPGA的卷积神经网络IP核,之后对卷积运算进行了定点优化以及流水线优化等;(3)嵌入式系统实现:使用软硬件协同设计的办法,向Zedboard中移植Pynq项目,在Zynq芯片的可编程逻辑部分构建图像传输模块和硬件卷积神经网络IP核。最终将图像采集、道路目标检测和图像显示三部分功能整合到了一个嵌入式系统中。本系统使用嵌入式Zynq实现量化神经网络,完成了对道路目标的采集、检测功能,在系统测试中能够检测出汽车、行人、交通标志以及骑车的人。与仅在ARM上使用神经网络算法对道路目标检测相比,提高了道路目标检测的效率,为智能辅助驾驶系统提供了一种新的解决方案。