国内汽车保有量日渐增多,随之引发的车辆安全事故也愈来愈频繁。车辆高级辅助驾驶系统(ADAS)是近年来车辆应用领域发展比较迅速的一项有效规避驾驶风险的技术。由于国内行车道路环境复杂,对于行车道路上存在的多种类目标物的实时检测与防碰撞预警是辅助驾驶要解决的关键点,另外对于驾驶人员存在危险驾驶行为也是一种潜在的威胁,所以对驾驶人员的驾驶行为检测也是安全驾驶必不可少一部分。基于机器视觉的安全辅助驾驶系统是规避危险的一个良好的解决方案,通过利用深度学习相关算法对道路环境中行车、行人、非机动车等实时检测和防碰撞预警,同时实时检测驾驶人员是否存在疲劳驾驶、驾驶分神等不良驾驶行为并及时预警,从而保证驾驶环境的安全。基于智能安全驾驶的出发点,本文的主要工作如下:首先通过对ADAS中前向预警碰撞预警功能的分析,对相关基于深度学习的目标检测算法深入理解,进行移植量化、优化学习超参,在基于公开数据集制作道路环境中专用数据集并进行训练得到道路专用目标检测模型,提高了一定的识别精度。分析了机器视觉测距相关原理与算法实现并结合目标检测提出防碰撞预警策略。然后分析了危险驾驶行为检测功能的基本原理与实现,基于公开数据集训练出基于深度学习的轻量级人脸检测模型,结合人脸关键点检测算法,提出了基于脸部特征变化的三阶段危险驾驶行为检测判定算法。在实际驾驶环境和公开驾驶数据集上验证,危险驾驶行为识别检测的准确率可以达到95%以上。最后将基于深度学习算法进行量化移植到嵌入式开发平台终端,配合多进程编程开发,将深度学习算法在视频中的运行速度加速至30FPS,达到实时性检测效果,并结合车联网云平台在IPv6网络下进行部署应用测试,实现安全监视的功能。本文针对辅助驾驶防碰撞预警系统与危险驾驶行为检测系统的研究,在嵌入式ARM64低功耗处理器上经过量化移植设计出一套适用于辅助驾驶的预警防碰撞终端系统,结合车联网云数据平台在IPv6网络下完成网络通信测试与车联网系统下的辅助驾驶功能的验证,能够满足辅助驾驶防碰撞预警等功能的基本需求。