日益增加的汽车保有量不仅给人们的工作生活带来便利,同时也使得道路行车安全面临巨大的挑战。辅助驾驶技术通过检测前方道路行人车辆并进行预警的方式避免事故发生,而利用移动端等平台可以较容易地实现辅助驾驶这一功能。本文针对移动端等资源受限的硬件条件,提出可实时检测行人车辆目标的检测预警算法,并基于所提算法在移动端平台设计辅助驾驶安全预警系统。研究内容及创新点如下:第一,对目标检测算法进行实验对比与问题分析。基于深度学习的目标检测模型包括特征提取网络与检测网络两阶段。首先,针对用于特征提取的卷积神经网络做了具体分析,并针对本文的应用场景深入分析网络结构的优势与不足。其次,对目前应用广泛的检测算法进行实验对比,分析算法特点以及在辅助驾驶场景下存在的问题,并提出相应解决思路,为后续算法的提出奠定研究基础。第二,提出面向辅助驾驶场景的实时行人检测算法。针对辅助驾驶技术的实时性需求以及移动端等平台计算资源受限的特点,设计轻量化的比例一致性卷积神经网络以避免目标特征畸变,进而基于行人目标统计特征设计行人检测算法,包括网络结构设计、预选框设计、多阶段分层训练等研究内容。针对移动端辅助驾驶应用场景,采用网络简化方法进一步提升算法运行速度,并设计实时有效的行人安全预警系统。算法在KITTI数据集上取得77.9%的精度与61.3FPS的速度,在移动端达到20.2FPS。第三,提出基于层级感兴趣区域的实时车辆检测预警算法。针对移动端计算资源受限及小目标检测效果差等问题,设计单尺度检测算法以提升运行速度,并分别在多级感兴趣区域对近、中、远距离的车辆目标进行检测,以对不同距离程度的目标进行多级预警。基于所提算法在移动端设计车辆安全预警系统,通过对车辆目标由近及远地进行实时检测,实现辅助驾驶场景的危险评估与车辆安全预警。算法在UDACITY数据集上取得89.2%的预警准确率及4.1%的漏警率,在移动端达到17.7FPS的速度。