本文所研究的基于目标检测与单目视觉的智能测距算法,是现代自动驾驶领域重要的组成部分,它主要包括目标检测技术、单目视觉技术等。随着计算机硬件水平的不断提高,深度学习技术近几年得到了迅速的发展,卷积神经网络的深度不断增加,参数规模也随着不断的增加,各种优化算法的应用使卷积神经网络训练时间缩短,准确率提高,运行更加高效。现在这项技术已经逐步的应用到自动驾驶领域,无人驾驶领域。本文采用改进型的卷积神经网络目标检测算法与单目视觉测距算法,来完成智能测距系统的搭建。本文通过使用自适应梯度下降算法使网络在训练过程中波动变小,模型拟合数据的时间缩短。采用Dropout随机失活算法与权值正则化等方法,提高了模型的泛化能力,使模型的准确率得到了有效的提高。通过大数据来训练网络,再将得到的网络模型与单目视觉测距技术结合,并将系统安装在车载嵌入性系统中。针对以上内容本文将从以下几个方面展开研究:卷积神经网络的搭建:针对应用于汽车驾驶辅助系统的特殊性要求,如遇突发事件系统处理信息的高实时性,识别车辆与行人等道路上主要的物体准确率高等。综合分析了当下主流的目标检测算法,本文初步提出了一种具有16个卷积层的神经网络。它既能满足神经网络处理信息实时性的要求,又满足网络准确性的要求。而且能够安装在大多数嵌入性系统当中。网络参数的优化:激活函数的选择,主要通过在playground-tensorflow实验系统中大量的模拟实验来确定。Relu函数能够的准确拟合训练数据,得到良好的网络模型,并且在测试数据中相比其他的激活函数准确率最高,所以本文选择Relu函数作为激活函数。网络模型过拟合的处理:网络模型如果过度拟合训练数据,那么模型对新数据的泛化能力将减弱,准确率将会降低。针对以上的问题,本文在卷积层中引入了改进的权值正则化算法,在全连接层中引入了Dropout神经元随机失活的算法,使网络模型的准确率得到了显著提高。BP算法的优化:卷积神经网络的权值更新,是依靠反向传播来进行的,在反向传播过程中,本文提出了自适应SGD梯度下降法,它能够有效的提高网络模型的拟合速度,而且能够让网络模型在损失函数最低点处震荡减小,从而提升了网络模型的准确率。经过对卷积神经网络和目标检测算法的优化,算法的分类和定位准确率达到了应用在自动驾驶系统当中的要求,测距误差控制在了合理的范围之内。