自动驾驶仿真测试是提升自动驾驶算法可靠性和鲁棒性的关键。如何高效、低成本地生成大量真实可靠的仿真数据具有巨大的研究价值。当前自动驾驶数据集在夜晚场景以及各类天气条件下的数据量仍然十分有限。为了满足自动驾驶领域的数据需求,围绕如何提高仿真图像的场景丰富性和生成质量,使用图像翻译技术从风格特征和内容特征两方面增强自动驾驶场景图像,实现场景的昼夜变换、天气变换以及语义到场景的变换。为实现场景风格特征的变换,研究基于无监督生成式对抗网络的图像翻译网络。该网络的训练目标是学习两个图像域之间的映射函数,使得来自一个图像域的图像可以迁移到另一个图像域。通过改进生成器和判别器的网络结构提高模型的性能,实现自动驾驶场景下的高逼真度的昼夜变换和天气变换。为实现场景内容特征的变换,研究基于有监督条件对抗网络的图像翻译网络,实现语义图到自动驾驶场景图的翻译生成。借助条件生成对抗网络的特性,通过语义编辑和特征聚类的方式改变场景元素的语义、颜色和纹理等信息,从而进一步提高仿真场景的多样性。为分别提高前两种图像翻译网络的生成质量和应用效率,研究图像语义分割与图像翻译网络的结合方式。通过将语义分割模块与风格迁移网络并联结合,提供语义损失约束,提高风格迁移的质量;通过将语义分割网络和语义转场景网络串联结合,减少对人工标注的需求,降低应用成本,提高应用范围。最后设计实验评估所生成的仿真图像数据用于自动驾驶感知算法训练数据和测试数据的可靠性,采用图像语义分割精度作为评价指标,对生成数据作训练用时和作测试用时得到的指标进行分析。实验结果证明本文方法生成的仿真图像十分接近原始图像,可有效增强自动驾驶图像数据。