随着自动驾驶的发展,自动驾驶仿真测试技术受到越来越多人的关注。而其中的图像传感器由于价格低廉且获取信息足够丰富受到了自动驾驶系统开发者的青睐,图像算法数量增长迅猛,而对于图像算法的仿真测试需求也随之暴增。目前图像仿真测试方法有两种,第一种是使用相机采集的真实数据进行仿真测试,但是这种方式测试场景受限制,且驾驶条件改变也较为困难;第二种则是使用仿真软件进行测试,这种方法虽然场景搭建自由灵活、且能轻易的改变驾驶条件,但是其通过虚拟传感器获取的图像CG（Computer Graphic）风格化严重。本文将采用真实数据驱动,使用图像分离与修复、图像合成以及图像风格迁移技术实现对真实数据的自由组合以及风格改变,不仅保证图像数据的真实性,还可以根据仿真需求自由搭建场景,自由选择驾驶条件对算法进行测试,并通过数据集测试和搭建实车在环系统测试验证了本文方法在图像仿真测试方面的优越性和有效性。本文首先实现了仿真场景的自由搭建。利用图像分离技术对真实图像进行分离,并利用图像修复技术对分类后的图像孔洞进行填充,得到纯净的背景图像和动态交通参与者两个数据库,然后基于泊松公式对原有的图像合成方法进行了改进,解决了渗色问题,实现静态背景和动态交通参与者之间的无缝融合,利于我们根据仿真需求搭建合适的仿真场景。然后实现驾驶条件的自由改变,基于UNET搭建图像风格迁移网络,构造适合的损失函数,并利用处理后的图像数据训练网络,实现了图像白天到夜晚、晴天到雨天以及夏天到冬天的迁移工作,于是我们可以在白天、夜晚、雨天等多种驾驶条件下对算法进行鲁棒性测试。实验部分则利用了YOLO-v3目标检测算法对本文方法得到的数据集进行测试,并对比真实数据和仿真软件得到的数据,在三项关键指标上较仿真软件数据集均有较大幅度提升,更接近真实数据指标,对比原始泊松合成法合成的数据也有小幅度提升。引入信息熵量化评价图像风格迁移效果,且与仿真软件采集到的图像进行对比。最后搭建实车在环测试平台,构建典型驾驶环境在白天和夜晚两种驾驶条件下测试了ACC算法,得到了相应的速度曲线和距离曲线图并进行了分析,结果符合预期,证实了本文方法生成的数据可以用于实车测试。