近些年来,在严重的空气污染和能源短缺问题的困扰下,电动汽车由于其零排放、能源利用效率高、噪声小等优点,逐渐得到了各国政府和民众的认可。然而,电动汽车价格偏高、续航里程有限、充换电不方便,成为了电动汽车大规模推广的主要障碍。面对这一问题,采用共享租赁的方式向社会推广电动汽车成为了一种行之有效的方法。电动汽车共享租赁可以解决其购买价格偏高、技术不成熟的问题,而且可以有效缓解交通堵塞,改善城市环境。因此,共享电动汽车不但能满足用户用车需求,而且符合经济发展和环境保护的要求。电动汽车共享租赁中一个关键问题就是对用户进行行为分析,尤其是对用户行车过程中是否存在碰撞或潜在碰撞等危险驾驶行为进行分析和记录。本文采用基于深度学习的图像检测和分割算法对车辆碰撞进行检测识别,并提出了基于视频预测算法和边框预测算法的车辆碰撞预警方法。本论文的主要研究内容如下:1)对共享电动汽车的发展背景和现状进行了介绍,并对当前汽车碰撞检测和预警领域的研究现状进行了概括;对与本课题有关的深度学习基础理论进行了介绍,并概述了当前深度学习研究的最新进展。2)对多个基于深度学习的目标检测算法进行研究和对比后,选择了高精度、实时性的目标检测模型——SSD,作为目标检测的基础模型,并在本课题标注的车辆检测数据上进行了实验。为了进一步提高目标检测模型的运行效率,对SSD模型的特征提取部分进行了改进,对分类、定位层进行了裁剪,并使用了量化算法对模型做进一步的压缩,对改进后的SSD模型进行了实验对比;另外,本文提出了像素-距离转换模型,结合车辆检测算法,可以近似计算出车辆的距离。3)对图像分割算法进行简要介绍,提出了基于跳跃连接和带洞空间金字塔池化的图像分割模型——SkipASPPNet,并进行了实验验证;对基于图像分割模型的车辆碰撞检测和预警进行了可行性验证。4)对主流的视频预测算法进行概述,提出了基于卷积LSTM和生成对抗网络的的视频预测模型,对车辆轨迹进行预测,从而可以提前推理出车辆可能的位置,并对车辆的潜在碰撞进行预警;为提高车辆轨迹预测的准确度,提出了基于LSTM的汽车边界框位置预测算法,并进行了实验验证。