自动驾驶系统能够显著提高交通安全性，促进汽车产业和出行方式变革，在世界范围内掀起了研发热潮。由于自动驾驶系统与交通安全直接相关，快速准确地检测其极限性能非常重要。传统的基于遗传算法(GA)的进化测试策略(GA测试策略)在测试极限性能时，由于无法预先判定子代的优劣，生成子代时具有盲目性，导致测试效率较低。针对这一问题，本文提出一种在不执行测试的前提下度量子代有效性的评价指标，然后在GA算法基础上应用该指标设计全交叉和多重变异算子，提高子代的有效性，并对算子的统计性能及改进后算法的收敛性进行了理论分析。为高效地执行测试策略，本文针对传统测试平台自动化程度低的问题，集成开发了自动测试平台。
　　首先，考虑到自动驾驶系统具有高阶非线性特征，难以通过解析函数评估其在不同场景中的表现。本文通过构造树状模型对场景要素进行分类，应用层次分析法计算场景复杂度来估计场景的有效性。进而，为提高生成高质量子代的概率，在单点交叉和基本位变异算子的基础上，通过引入兄弟竞争理念，设计了可根据复杂度对子代进行优选的全交叉和多重变异算子，给出了改进型遗传算法(IGA)测试策略的全过程。
　　通过对比两种交叉/变异算子子代场景复杂度的数学期望，本文还从理论上证明了：全交叉和多重变异算子有助于提高子代复杂度。为分析IGA测试策略的效果，文中基于GA收敛性理论，通过分析关键算子的状态概率转移矩阵证明了IGA具有全局收敛性。
　　由于单一软件难以同时实现场景构建、数据处理等功能，本文选用PreScan作为场景仿真软件、MATLAB作为数据处理软件，集成仿真测试平台。然后基于IGA测试策略的特点和PreScan提供的场景编辑接口，设计了自动测试的整体流程，开发了自动三维场景重构技术，实现了测试自动化。此外，还基于COM技术开发了自动生成测试报告功能。
　　最后，利用本文所提的测试策略和平台测试了自动平行泊车系统避免与路沿碰撞的极限性能。结果表明：利用本文所提方法计算出的场景复杂度可以有效预估测试场景的质量。全交叉和多重变异算子可在兄弟竞争的引导下明显加快子代往高复杂度方向进化的速度，进而使得IGA测试策略能够显著提高测试效率。