随着全国汽车拥有量的高速攀升,在拥挤的城市中给驾驶员带来泊车难等诸多挑战。尤其在狭窄或拥挤车道的转弯和低速泊车过程中,由于较大的视野盲区经常引起车辆摩擦等交通事故。而全景环视系统可以为驾驶员提供车辆周围信息为其消除视觉盲区,更为其直观无盲点地判断附近的道路、行人、车辆与自身车辆的具体方位、相对距离等安全状况给予帮助和指导,从而避免与车身附近的其他物体发生刮擦、滑陷或碰撞等意外事故,所以在全景环视系统的基础上研究自动泊车系统是当前比较热门的研究方向。由于空车位检测是自动泊车系统的首要前提,所以本文提出一种基于全景的空车位检测方法。该方法通过在实验室线控底盘上安装四颗鱼眼相机搭建全景环视系统,再利用深度卷积神经网路在嵌入式平台中对泊车位进行检测和占用分类。各部分的主要研究重点如下:（1）在线控底盘上构建低成本的全景环视系统。本文采用多项式模型完成四个鱼眼相机的畸变校正,并且使用OpenCV算法获取其内参和外参。对于全景环视系统提出新的外部标定方法:采用闭环方式联合优化相机位姿、制定鱼眼相机到鸟瞰图像的映射表、基于标定参照物拼接四个鸟瞰图像、循环色彩调整图像整体以及加权差值消除拼接缝,从而形成均匀、清晰的全景环视图像。（2）对基于学习的空车位检测方法进行了研究。在全景环视图像上利用“L”或“T”标志点检测、局部图像分类和泊车位推断获取完整泊车位,再将其截取后变换为统一尺寸大小的矩形放入二分类模型中判断其是否为空车位,从而完成空车位检测的功能。在同济大学公开的数据集（Tongji Parking-slot Dataset 2.0）的测试集中获得的精度率、召回率和平均误差分别为96.30%、99.59%和0.788cm,并且在实验室的线控底盘上采集的研究生楼地下停车场的数据集上获得良好的检测效果。（3）加入高性能神经网络推理引擎（NCNN）加速和嵌入式平台移植。将Pytorch框架下的Darknet网络的模型转权重和网络结构转换成ONNX（OpenNeural Network Exchange）模型,再转换为NCNN推理引擎所需要的模型格式。使用半精度浮点数（FP16）的NCNN推理引擎加载空车位模型,并且将后处理改成相应的C++代码,实现NCNN低精度加速推理。然后利用交叉编译器加载编译工具链获取相应的库文件,在交叉编译器上将基于NCNN加速的空车位检测程序编译成二进制文件移植到以IMX6Q cortex A9为核心的嵌入式平台上。研究结果显示,本文使用的闭环方式联合优化相机位姿以及鱼眼相机到鸟瞰图的直接映射减少了图像信息的丢失,提升了全景环视系统校正的便捷性和精确性。然后使用多级神经网络检测空车位的方法,增加整个检测系统的鲁棒性。最后采用NCNN推理引擎加速,并利用交叉编译器编译后移植到嵌入式平台中,验证了低成本的基于CPU推理算法的有效性。