本文针对当前基于单目视觉的车辆检测、距离估计以及图像融合毫米波雷达信息的方法中存在的问题展开研究,这些问题包括:1)固定置信度阈值筛选车辆检测结果导致车辆产生虚警或漏检;2)道路起伏引起单目视觉距离估计不准确;3)由视觉算法与毫米波雷达算法处理周期与时延不一致导致的信息融合问题。针对上述问题,我们研究了深度学习中车辆检测的自适应置信度阈值算法、融合车体姿态信息的单目视觉距离估计算法以及图像和毫米波雷达信息之间的信息配准等内容,主要贡献为:1.分析了在深度学习车辆检测算法中使用固定置信度阈值筛选车辆的影响,包括固定置信度带来的车辆虚警以及漏检问题,同时提出了自适应置信度阈值算法来解决该问题,并构建数据集测试算法性能。2.在单目视觉距离估计中,车辆行驶时相机因道路起伏会与世界坐标系之间发生姿态变化,因此引入车体姿态信息校正世界坐标系与相机之间的转换关系,提出融合车体姿态信息的距离估计算法,同时为提升远处车辆的距离估计精度,使用数据拟合来估计车辆宽度并用于估计车辆距离,并通过实验证明了算法性能。3.为解决由算法时间复杂性造成的图像车辆检测结果与毫米波雷达信息配准问题,本文设计了一种融合毫米波雷达信息的应用多车辆跟踪方法进行信息配准的框架。该框架中利用毫米波雷达信息对快速目标跟踪算法进行尺度优化,并应用快速的多车辆跟踪方法用于配准图像和毫米波雷达信息。