对于无人驾驶车辆,视频车辆检测识别技术是环境感知层的重要组成,也是一个关键的功能,无人驾驶车辆在获得传感信息之后的数据将被传输到感知层的子系统,让其充分感知车辆周围的环境,以便车辆做出下一步决策。由于不同的自然场景中包括阴天、晴天、夜晚几种自然场景下以及在车辆行驶过程中存在的目标遮挡等问题,都会对车辆检测的精确度及实时性造成一定影响,但是近年来,通过深度学习技术进行目标检测已经可以精确、快速的对物体进行检测,克服传统检测方法在实时性和精确度上的困难。论文结合近年来关于深度学习技术的理论运用一种基于深度学习的目标检测方法对自然场景下的车辆进行检测识别研究,所做的主要工作如下:查阅与车辆检测识别相关的国内外文献,调研并分析了目前国内外关于目标检测的研究现状和视频车辆检测的研究现状,剖析当下一些目标检测算法的优劣势,从而找到他们留存的一些问题;介绍深度学习有关理论,包括神经网络的发展历程、卷积神经网络的基本组成结构以及卷积神经网络在训练过程中涉及到的一些算法原理;使用两种传统视频车辆检测方法,HOG特征提取结合支持向量机的方法与光流法对车辆进行检测识别,运用了相关的图片预处理手段对实验图片进行图像去噪和增强处理,以便后续得到高质量的图片特征;再根据传统方法检测结果存在的缺点提出了本文所使用的基于深度学习的车辆检测识别算法——YOLO算法,对YOLO V1、YOLO V2及YOLO V3相关技术进行分析。利用采集到的自然场景下的车辆数据制作本文自己的车辆数据集,数据集包括集中常见的自然场景的车辆图片数据;搭建了TensorFlow为后端,Keras为前端的深度学习框架TensorFlow-Keras CPU版本,并安装OpenCV、Numpy、Matplotlib等相关依赖库;在已经搭建好的深度学习环境中嵌入根据本文实际任务改进后的YOLO V3算法,利用数据集进行模型训练,经过迭代训练最终产生了用于车辆检测识别的模型;最后使用所得模型对采集到的晴天、雨天、阴天、夜晚、以及复杂背景中的目标遮挡这几不同自然场景下的自采集车辆数据进行检测识别。并利用该模型对几种常见的开源车辆数据集UA-DETRAC数据集、KITTI数据集、PASCAL VOC2007上进行检测验证,最后从检测的精确度、漏检、误检和实时性几个方面与原算法训练产生的模型检测结果在本文采集的验证数据集下对比进而对本文模型进行评估验证。通过与原算法相比,本文算法明显改善了漏检与误检现象,在检测精度上也有明显的提高。