近年来,得益于硬件计算能力、传感器技术与计算机视觉技术的快速发展,智能交通领域获得了广泛的关注,其中高级辅助驾驶系统(ADAS)更是市场焦点。同时,近年来,深度学习技术在视觉任务上表现优秀,为ADAS的性能提升带来无限可能。然而,基于嵌入式系统的ADAS在硬件存储空间、实时响应时间上有不可忽略的限制,因此将深度学习技术应用于ADAS上依然存在不少阻力。本文目的在于优化卷积神经网络(CNN)结构,使其拥有更轻量化的网络参数,更快的样本分类时间,以适应在嵌入式系统上的应用。本文以ADAS中的TLR为例,基于CNN展开了应用研究,开发了一组可用于优化深度学习网络结构的工具。本文工作通过法国南特大学与A公司合作的实习项目中完成,主要工作包括:1.在应用研究的调查过程中,着重研究了经典的CNN可视化方法。分析发现,可视化神经网络有助于理解和检测网络模型的行为。利用可视化方法,提供优化模型结构设计的有效信息,具有高可行性。2.基于ADAS中的交通灯识别(TLR)数据库,开发了一套用于优化CNN结构的可视化工具。其中包括:可视化图像滤波器、失活特征统计分析、平均特征图、活跃神经元矩阵与复合叠加特征图。3.为了验证工具的有效性,本文提供了两个优化实例:基于VGG16与基于Inception网络在TLR项目上的优化。在VGG实例中,优化后的模型参数数量为基础模型的13.48%,样本预测运行速度节省20.69%。在Inception实例中,优化后的模型参数数量仅为基础模型的1.21%,样本预测运行速度节省35.98%。结果表明,在保证分类效果的前提下,可视化工具能有效地帮助缩小模型,节省存储空间,并能有效缩短样本预测时间,提高样本分类效率。4.利用可视化方法为实例模型提供解释性,并从中获得TLR数据库在图像质量、图像大小、样本数量上的局限性,为后续的工作提供参考方向。