深度学习的发展提高了计算机处理图像的能力,拓展了计算机视觉的应用。同时,基于视觉任务的端到端的自动驾驶技术也在不断地发展。但是,目前深度学习在端到端的自动驾驶领域应用较浅,基于深度学习技术构建的决策模型不能很好的完成自动驾驶任务。因此,研究基于深度学习的决策模型具有重要的理论意义与应用价值。本文基于深度学习技术,设计了一个可以根据道路图像预测出驾驶动作的模型,并在模拟器上进行了实验仿真测试。最后,基于该模型,设计和实现了一个端到端的决策模型应用系统。本文工作主要体现如下:1.提出了一个基于深度学习技术的决策模型。该模型基于卷积神经网络和全连接网络,通过对抗训练的方式学习、预测驾驶行为。结合行为克隆和生成对抗模仿学习的损失项,改进了网络训练的损失函数;通过添加奖励函数以增强奖励信号,改进了网络结构;利用近端策略优化算法更新决策模型。该模型网络简单,驾驶能力强,可以同时预测转向角、油门和刹车三个驾驶行为。2.在模拟器上仿真实现了端到端的自动驾驶任务。首先编写代码获取车辆的动力学信息;然后利用决策模型控制模拟器的汽车,仿真完成自动驾驶任务。仿真实验结果表明,本文提出的决策模型在赛车道路上能够完成直行、转弯、变道和超车任务。3.设计实现了端到端的决策模型应用系统。该系统包含用户管理、驾驶行为预测、模型管理、数据管理等四大模块。其中,驾驶行为预测模块完成依据道路图像预测转向角、油门和刹车的功能;用户管理模块实现了用户的身份认证、权限许可等功能;模型管理模块为用户提供了模型查看和下载服务;数据管理模块为用户提供了数据下载和校准功能。