近年来,随着人工智能时代的到来,人工智能技术被广泛应用于各行各业,其中最热门的无疑是近年来一直在研究的无人驾驶技术。随着无人驾驶等技术的兴起,汽车上的各种辅助驾驶系统作为安全驾驶的关键部分,能够使汽车进行实时预警,并且主动干预来避免各种事故的发生。通过以上分析的要点,本文提出了一种以Jetson nano高性能嵌入式平台为载体,通过运用机器视觉以及深度学习等技术实现的一种辅助驾驶系统,该系统包括对圆形、三角形两类交通标志的分类识别,以及道路行人的检测两部分。本文主要内容包括:(1)针对交通标志模块,本文提出了一种先分割,再分类的思路,即首先模拟车载摄像头拍摄图片,再通过对拍摄的图像进行直方图均衡化、锐化、Retinex增强等预处理操作,根据交通标志特有的HSV特征检测出颜色的大致区域,然后利用形态学操作进一步去噪,最后利用传统的霍夫变换检测出具体的形状,将交通标志从整体图像上分割出来,并以此作为分类识别交通标志的神经网络的输入,而神经网络训练部分则利用了GTSRB数据集进行训练,并在此基础上进行了数据扩充。网络选用了LeNet-5卷积神经网络,最后完成实验分析与验证。(2)针对行人识别模块,本文具体分析了传统检测方法,并使用了一种改进的卷积神经网络YOLOv3 tiny作为训练网络,并且利用Labelimg标注工具进行数据集的创建,根据训练日志分析了训练的具体结果。(3)根据需求分析,设计了一套完整的系统结构,分析了系统的工作流程,介绍了软硬件环境。然后针对交通标志模块进行了分类实验,分析了检测精度。最后在Jetson nano平台上进行了对常规状态行人、动态模糊状态行人、远距离行人、重叠状态下的行人的检测实验。