近年来,在硬件计算能力大幅提高和大数据技术的助推下,以卷积神经网络为代表的深度学习技术发展迅速,为很多领域的研究提供了新的方法,尤其是图像处理领域。利用卷积神经网络人们能从摄像头拍摄的图像中获取更多有用的信息,使得搭载摄像头的自动驾驶汽车具有了更强的感知周围环境的能力,推动了自动驾驶技术的发展。本文主要研究基于视觉的面向自动驾驶汽车的车辆检测算法,主要包括以下内容:首先,本文设计了一个车载专用车辆检测网络。除了准确性和实时性的要求外,车载嵌入式计算平台对车辆检测算法的计算和存储的开销也有着严格的限制。因此,本文基于Fire模块和残差连接设计了参数量很少的特征提取主干网络,同时保证了网络的性能。将浅层特征图后传组成堆叠特征图,从而提高车辆检测网络对远处车辆的检测精度。此外,针对车辆的形状特征,设计了专为车辆检测优化的锚框生成网络。检测网络采用基于回归的单阶段模型,保证了实时性。其次,本文根据注意力机制的原理及其建模方法,设计了一个注意力网络,在该网络上对注意力机制进行模仿,让车辆检测网络获得注意力机制,从而提高检测精度。提出的注意力网络通过两种注意力分支网络来分别建模神经网络在通道域和空间域上的相互关系,再将这两种注意力机制融合在一起,采用经过注意力网络加权的特征图来替换原有的特征图进行目标检测。通过把这个注意力网络作为一个模块嵌入到检测算法的特征提取网络中,得到一个具有注意力机制的准确且实时的车辆检测算法。最后,用标准数据集进行网络训练,再使用自动驾驶观光车实验平台采集的实车数据对网络进行测试,用实际的检测效果验证了算法的准确性和实时性。