汽车从1886年被发明至今,一直都是人类社会中不可替代的交通工具。而在当下的时代,汽车也从简单的载具向着更多元化功能迈进。随着无人驾驶技术研究的发展,其环境感知功能的完善日益受到行业的重视。通常智能车的该功能由雷达,摄像头,GPS定位等方面组成,从可靠性和经济性的角度出发,依靠摄像头获取目标物信息相比其他途径更有优势。获取到的交通场景信息可以作为规划决策和运动控制模块的输入,以共同完成无人驾驶的终极目标。在路口这类重要的场景下,自车对交通信号灯种类和停止线位置的识别与判断,直接关系到其行驶的安全性与合法性。本文依托无人驾驶出租车项目,对交通灯停止线的检测和测距进行了研究。文章的第一项工作是由于现今已有的交通灯数据集不尽如人意而提出的。数据集的质量高低,会直接决定网络训练的结果优劣。通过视频采集,人工标注的方法,我们构建出适用于此次无人驾驶任务的交通灯-停止线数据集,其工况包括了多种道路与天气环境。此外数据集中还引入了高斯噪声等数据增强项,以强化其泛化能力。此数据集在交通灯种类上细致划分为16种,还包括停止线与人行道,总计约5万张图片和8万个标签。相比现今已有的交通场景数据集,本文构建的数据集有着一定的优势,以此为基础的检测算法,也更适用于和无人驾驶其他模块的联合调试。第二项工作是以Yolov3卷积神经网络为基础,进行了网络结构等方面的优化。通过对上文数据集中目标物边界框大小进行k-means算法的统计与分类,结合原Yolov3网络中的金字塔输出结构,分别添加了更小目标物的检测输出层,删除了原有的大尺寸目标输出层,提出Yolov3-4layers和Yolov3-new3的结构。同时也从损失函数中交并比和激活函数的角度做出了更新优化。在相同的实验条件下,新的网络可以提升5.2%的检测精度,并在内存占用上更有优势。在此基础上,本文的第三项工作是通过研究单目相机成像原理推导目标物的测距算法。因为各类目标物所处的空间位置不同,故提出了不同的测距方案,并通过实验对比其精度与可行性。其次,将选定的算法导入目标检测模型中,基于东风E70的实车平台装配实验所需的硬件设备,进行目标检测及测距算法的道路实验。弥补了相关问题多用于仿真而缺少实车实验的不足。最后,通过分析初步的测距结果,对误差量进行回归方程的拟合而得到校正量。将校正方程反馈至测距算法中提升测距的准确性,可以实现对停止线测距误差控制在10%以内。