近年来,人工智能研究的突破有力地促进了无人驾驶技术发展,已有商业公司和科研院所开展了无人驾驶汽车的实际道路测试。但无人驾驶汽车在真正进入大众市场之前,首先要解决其安全性问题。目前,无人驾驶汽车的安全问题研究大多在于传感器硬件安全以及网络通信安全,执行器作为无人驾驶汽车与外界环境交互的最后一个环节,在保障无人驾驶汽车安全行驶上至关重要,但其安全性没有得到应有的重视。本文围绕无人驾驶汽车执行器攻击检测问题,做了如下工作:（1）基于人工设置阈值的执行器攻击检测算法首先根据车载传感器的测量数据,结合最大似然估计方法以及车辆的动力学模型,估计无人驾驶车辆实际执行的控制指令;然后,将估计所得的实际控制指令与车载电脑发出的参考控制指令比较。若该差值大于某一阈值,则视为执行器受到攻击。在此基础上,通过设定不同的阈值,可以识别区分不同的攻击类型。在Gazebo和Autoware仿真平台上的实验表明,本文设计的方法在执行器攻击检测时具有良好的效果。（2）基于卷积神经网络（CNN）的执行器攻击检测算法将CNN用于执行器攻击检测,可以避免人为设置阈值,提高算法的适应性。首先收集行驶状态的无人驾驶汽车相关数据,即工作（1）中估计出的车辆实际执行的控制命令和上游控制器发送命令之间的差值,为了利用CNN的图像识别功能,将差值曲线转化为图像,并人工标注该曲线是否处于异常状态,作为训练数据集送入CNN中进行训练;最后,将训练好的卷积神经网络模型用于执行器攻击检测。测试结果表明,卷积神经网络模型可以在一定程度上提高检测效率,同时提升检测算法的适应性。（3）基于长短期记忆网络（LSTM）自编码器的执行器攻击检测算法LSTM自编码器不需要人工设置数据标签,避免了繁琐的标注工作。首先,设计由两个长短期记忆网络组成的自编码器模型;然后将行驶过程中的相关数据作为训练集对自编码器展开训练;最后将训练好的LSTM自编码器用于攻击检测仿真中。测试结果表明,基于长短期记忆网络的自编码器,在不依靠人工标注数据的情况下,可以自主学习识别出差值曲线中的异常行为,有效的检测出可能存在的攻击。