在无人驾驶领域,车辆角度的实时检测对于维护交通安全起着至关重要的作用。而车辆角度检测是检测车辆偏转角度,车牌倾斜角度和前车方位角度的一个关键要素。传统的角度检测方法应用的技术多是传感器技术和图像边缘检测技术,这类方法不但需要较高的技术投入和硬件支持,而且检测精度和实时性较差。近年来,深度学习方法已经在无人驾驶领域得到了广泛的应用。为此,本文提出了一种基于深度学习的车辆角度检测方法,并研究了其在无人驾驶领域中的应用。（1）针对无人驾驶路径规划和智能泊车领域难以通过实时检测车辆的偏转角度指导车辆正确行驶的问题,提出了一种基于回归CNN（regression Convolutional Neural Network,regression CNN）的车辆偏转角度检测方法;（2）针对无人驾驶场景中,当车牌倾斜时,不易于识别车牌信息的问题,提出了一种车牌倾斜角度检测方法,并建立了基于PVA-NET、回归CNN、Caffe Net的倾斜车牌定位、分类、矫正和识别的综合检测系统;（3）针对无人驾驶车辆行驶过程中难以实时掌握前车方位的问题,提出了一种基于深度学习的前车方位角度检测方法,并通过联合Faster R-CNN和回归CNN提出了用于检测前车位置、方位角和距离的综合检测系统。主要研究内容如下:（1）研究了基于深度学习的车辆偏转角度检测方法。首先,分析了回归CNN在检测车辆偏转角时面临的两大问题。问题一:周期角度转换为线性角度时导致的异常检测误差;问题二:训练样本标签值很小时检测误差大。然后,为了解决这两大问题,本文详细设计了MCR-CNN（Multi-Collaborative Regression CNN,MCR-CNN）及其网络结构,用于车辆偏转角度检测模型的训练和测试;提出“两阶段法”,用于优化训练数据集标签值。实验结果表明本文提出的方法能够准确检测出车辆的偏转角度。最后,在中科院高清航拍数据集上进行了检测方法的泛化能力验证实验,并取得了良好的检测结果。（2）研究了基于深度学习的车牌倾斜角度检测方法,并建立了倾斜车牌的定位、倾斜角度检测、矫正与识别框架。首先,应用PVA-NET（Performance Vs Accuracy Network）对顺时针旋转和逆时针旋转的车牌图像进行定位和分类,并根据PVA-NET模型检测到的边界框的四个顶点坐标和对应的标签,将边界框中的车牌图像裁剪出来;然后,使用回归CNN来检测车牌图像的水平倾角和垂直倾角,并根据回归CNN检测到的水平和垂直角度提出了车牌倾斜矫正算法;最后,分析了车牌字符特征,提出了基于Caffe Net的倾斜车牌字符识别模型,并在CCPD（Chinese City Parking Dataset,CCPD）数据集上进行了实验验证。结果表明,PVA-NET模型对车牌定位和分类的平均精度（AP）分别为87.40%和89.47%;倾斜角度检测模型可以准确地检测出车牌的水平倾角和垂直倾角;车牌矫正算法能够准确地矫正倾斜车牌;Caffe Net车牌字符识别模型在CCPD数据集上取得了较高的识别精度。（3）研究了基于深度学习的前车方位角检测方法,并将角度检测与前车距离检测相结合提出了基于Faster R-CNN、回归CNN的前车定位、方位角检测和测距系统。首先,完成数据集的采集、制作和标注工作,并使用所标注的数据集基于CNN训练出前车距离和方位角检测模型;然后,优化了Faster R-CNN的anchor值,使得Faster R-CNN更适用于前车定位;最后,提出了前车定位、测距和方位角综合检测系统。实验结果表明,本文所提出的方法能够准确检测出前车的位置、方位角和距离的大小,特别在测距精度上,相比单目视觉测距方法,具有较高的检测精度。图51幅,表12个,参考文献75篇。