汽车作为21世纪最重要的出行方式,极大地便利了人们的生活,其自动驾驶功能也越来越受到人们的关注。障碍物检测和测距是汽车感知周围信息的重要技术,能够为决策者提供重要依据。传统方法采用分类器检测车辆,激光雷达测距,具有鲁棒性差和价格昂贵的缺点。近年来,随着硬件计算能力的极大增强,基于深度学习的行车视觉测距技术已经逐渐成为研究热点。同时,5G的快速建设促进了边缘计算的发展,可以解决传统云计算传输时延大、响应慢等问题。因此本文采用深度学习模型进行障碍物检测和测距,并协同边缘服务器加速模型推断的速度。本文的主要研究内容包含以下两个部分:（1）行车视觉测距技术研究。提出了一种基于深度学习的行车视觉测距算法,分为三个模块。障碍物检测模块根据近大远小的原则筛选面积较大的道路常见障碍物训练生成增强Mask R-CNN模型,可以提升障碍物检测准确率。立体匹配模型可以实时自适应地获取道路场景的视差信息。最后联合估计模块利用上述模块输出计算障碍物实际距离。提出的方法无需人工干预,可以检测各种障碍物,具有良好的准确性和鲁棒性。（2）边缘协同加速技术研究。提出了一种基于边缘计算的障碍物检测加速技术,分为三个阶段。模型初始化阶段利用Branchy Net架构的分支思想生成分支模型B-Mask R-CNN,可以有效协调准确率和推断时延的关系;线性回归模型根据模型计算量预测神经网络的推断时间,具有不错的准确率。联合优化阶段根据设定带宽、时延要求、边缘服务器和汽车计算性能差距设置最佳退出点和卸载点。共同推断阶段根据实际条件在服务器和汽车之间进行计算卸载,可以有效加快整个模型的推断速度。本文对上述算法进行仿真模拟。行车视觉测距算法在KITTI数据集上进行验证并取得了不错的效果,在40米内车辆测距误差小于12.4%,电动车、行人等障碍物误差不超过15.6%。基于边缘计算的障碍物检测加速技术在设定网络带宽为7.5Mbps时,最大加速效率可以达到9.2倍。