目前,智能汽车已成为汽车行业的研究热点,是工业化和信息化结合的新兴产物。智能汽车主要依靠多种传感器进行环境信息感知从而做出进一步决策,其中车辆检测技术是环境信息感知系统中最重要的感知技术之一,本文主要对智能车前方车辆检测技术进行了研究。首先,本文对国内外的车辆检测技术发展现状进行研究分析,基于模块化设计理念设计了基于卷积神经网络的车辆检测系统,将其分为图像采集模块、图像处理模块和信息输出模块。其次,基于YOLO网络框架,通过对其网络结构上的适当裁剪和尺度适应性的改进来提升检测网络的实时性和对小目标的检测能力,从而设计了车辆检测网络模型;将KITTI和Udacity两大车辆目标检测数据集进行合并修改,融合自制的国内车辆数据集,制作了本文最终的训练样本集;通过K-means++算法对本文车辆数据集中的标注框进行维度聚类,获得了具有代表性的anchor参数来加快网络的收敛速度和加大网络的收敛程度;检测网络模型搭建及参数设置完成后,在车辆训练样本集上进行分阶段训练,直至网络收敛。再次,在车辆检测网络的检测结果基础上设计了基于卡尔曼滤波的车辆跟踪算法,将检测结果和跟踪结果进行融合,进一步提高了整个车辆检测系统的准确性和可靠性;利用车辆跟踪算法中保存的车辆位置坐标序列来对车辆行驶轨迹进行预测,并选取前车相对减速和侧向车辆插入两种工况来进行判断检测。最后,进行实车试验平台的搭建,对摄像头进行选型和参数标定,并利用单目视觉完成了车辆测距;将PC端的程序移植到嵌入式开发平台Jetson TX2上,并通过实车试验来对本文的车辆检测系统进行验证,试验结果验证了本文设计的基于卷积神经网络的智能车前方车辆检测系统的功能有效性。