“自动驾驶车辆”或简称为“无人地面车辆”是指可以在没有任何人员在场的情况下自行操作的车辆。视音频技术在最近几年中发展迅速,已成为国内外研究方向的热点。它之所以在研究和开发方面取得巨大飞跃,是因为计算机视觉研究领域的蓬勃发展。计算机视觉是一门跨学科的科学领域,涉及如何制造计算机以从数字图像或视频中获得高级了解。计算机视觉能够帮助典型的自主地面车辆系统了解车辆周围的环境,从而通过数码相机提取有关环境模型和车辆姿态的数据。本文主要研究自动驾驶汽车道路目标检测算法中的关键问题。通过分析和总结以前的深度学习方法,我总结并使用了基于YOLOv3tiny架构的YOLOv3tiny31算法。此外,端到端深度学习控制方案也得到了改进。详情如下所示:首先,本文分析并介绍了计算机视觉的不同设计方案,阐明了其主要检测方法的功能,分析介绍了 AVs和国内外通用控制方法的研究与开发。其次,它表明深度学习方法及其在对象检测中的优势与其他较早的计算机视觉检测方法相比。本文还分析并介绍了卷积神经网络的基本架构及其各个方面。卷积网络只是简单的神经网络,在其至少一层中使用卷积代替一般的矩阵乘法。比较差异卷积神经网络体系结构（如 R-CNN,Fast R-CNN,Faster R-CNN,ResNet 和 DenseNet）的优缺点。然后,针对端到端的深度学习控制方案,介绍了深度学习的基础知识,并基于YOLOv3模型设计了 YOLOv3tiny31模型。之后,使用Darknet YOLO框架来获取这些CNN模型所需的数据集。培训结束后,可以成功运行测试,并且端到端控制方案具有更直观的感觉。差异比较深度学习方法。最后,这些结论总结了差分卷积神经网络的检测精度和性能,以阐明新型YOLOv3tiny31体系结构在实时道路目标检测中的效率。结论和观点在论文的最后给出。