随着智能技术的快速发展,车辆智能化成为目前最热门的研究方向之一。车辆高级辅助系统与车联网的有效结合,能够为驾驶人员提供安全的驾驶环境,减少交通事故的发生概率,从而提高行车安全。其中,车辆前向碰撞预警作为车辆高级辅助系统中的关键技术之一。基于传统视觉的前车碰撞预警方法中,由于存在目标检测精度不高,无法对多目标进行有效测距以及碰撞风险评估策略不准确等问题,导致整个系统预警误差较大,针对上述问题,主要研究工作如下:（1）针对目标检测精度以及实时性的要求,研究了基于深度学习的前向车辆以及行人目标检测方法。优化YOLO V3网络模型,提升检测精度,通过添加空间金字塔池化结构,利用GIo U分别对网络结构和损失函数进行优化,并制作车辆道路数据集,进行训练,得到应用在前向碰撞预警场景下的目标检测网络模型。（2）针对系统对多目标测距要求,研究了深度学习与跟踪算法相结合的目标跟踪方法。将YOLO V3检测的目标输入Deep Sort目标跟踪算法中,得到目标的轨迹,并且研究了单目测距算法,分析了单目测距误差产生的原因,将目标跟踪的结果与单目测距相结合,实时计算前方车辆以及行人不同目标的距离。（3）针对碰撞预警不准确的问题,先对最小制动安全距离和相对碰撞时间计算方法进行公式推导。然后联合最小制动安全距离和相对碰撞时间两种方法,划分道路危险区域,将预警信息分为提示、警示、告警三级进行预警提示,提高了系统碰撞预警的准确度。（4）设计了一套低成本硬件终端系统。将深度学习网络模型移植到嵌入式终端上,采用多进程软件架构,设计碰撞预警软件和可视化上位机软件,实现对前方车辆以及行人的碰撞预警。最后结合移动蜂窝网络实时上报预警信息,视频信息至车联网运营管理平台,实现对车辆远程安全监视功能。实验结果表明,相比于原有模型,优化后YOLO V3在车辆和行人识别准确度分别提升了1.2%和2.3%。同时,在终端上运行帧率为20帧每秒,实时性较好。此外,对前方车辆以及行人测距误差在7%以内,满足碰撞预警系统测距要求。最终,设计的系统实现对危险碰撞预警提示,并结合车联网运营管理平台有效完成对车辆远程安全监管功能。