车辆检测技术当前是自动驾驶领域中重要的研究内容。随着全国汽车保有量的逐渐增加,对汽车泊车安全性要求越来越高。本文提出基于全景和神经网络的车辆监测系统可以为泊车的驾驶员提供视野更大的车辆目标检测,是主动安全领域的重要技术,具有重要的应用价值。同时针对现有的车辆检测精度较低的问题,提出了基于神经网络HFCN的车辆检测,提高车辆的检测精度MAP。主要研究内容包括:（1）车辆识别全景平台的搭建。根据汽车泊车全景系统的技术研究,提出全景系统的实现步骤。研究了鱼眼摄像头的标定算法,采取了张正友标定的方法,通过八个方位的棋盘格图片实现了鱼眼摄像头的标定。然后,图像的配准和融合中,采取了中值滤波法的算法进行图像融合。最后进行实车试验,全景图像的效果达到泊车全景数据集要求。（2）全景泊车系统数据集AVMcars的制作。针对AVM数据集中缺少部分国内数据集的情况,将泊车全景视频制作成数据集,自行建立本文数据集,和清洗筛选SS数据集获得的AVM数据集混合,组成本文使用的AVMcars数据集。由于自建数据集较少,通过数据增强增加样本量。此外,介绍了目前常用的语义分割预测好坏的评价指标,提出了重点使用MPA进行网络模型效果好坏的判定。（3）基于Att Unet网络的车辆检测。分析了Att Unet语义分割模型的建立、训练和测试过程。模型的建立包括Unet网络、Att Unet网络模型的结构。训练过程中,基于训练后得到的最佳网络权重参数,通过评价指标对网络进行测试,在AVMcars中检测得到模型的适配性,验证了注意力模型提高精确度的能力,同时进行泊车实验。（4）基于HFCN的车辆检测实验。HFCN语义分割模型的建立、训练和测试过程。模型的建立包括HFCN网络模型的结构特点。训练过程中,基于训练后得到的最佳网络权重参数,通过评价指标对网络进行测试。同时进行泊车实验,验证了HFCN网络的准确性。最后通过后处理车辆检测模块在泊车数据集中检测车辆,明确标记出车辆位置。本文研究表明,本文的语义分割模型HFCN在AVMcars取得了MPA为97.2%,在全景泊车图中也表现良好的检测性能,车辆细节最为完整,可运用在本文研究数据集中。最后HFCN网络的语义分割图实现车辆检测,明确标记出车辆位置。