目前大量涉及自动驾驶汽车的事故,表明自动驾驶系统软件仍然存在严重的可靠性和安全性问题,对其进行充分有效的测试具有重要的研究意义。对现有自动驾驶系统测试方法的调研发现,很多测试方法并没有完全覆盖真实的驾驶场景,同时合成测试场景图像质量也有待提高。为此,本文利用深度学习技术合成接近真实的复杂场景图像,应用蜕变测试检测被测试自动驾驶系统的潜在缺陷,以达到有效保障自动驾驶系统软件质量的目标。本文的主要研究内容如下:（1）在现有自动驾驶系统蜕变测试的研究基础上,对单一维度蜕变关系定量分析,通过量化方法研究蜕变测试对故障检测的能力。以雾天驾驶场景为例开展研究,该方法可以合成五种不同浓度等级和九个不同方向的雾天驾驶场景,对端到端自动驾驶系统进行测试。结果表明,雾天驾驶场景能够检测出自动驾驶系统的故障,尤其当驾驶场景图像中央有雾时更容易检测出故障,且故障检测率与雾的浓度成正相关。（2）为选择出最能发现故障的蜕变关系,将不同蜕变关系的选择问题转化为多臂赌博机问题中不同摇臂的选择,通过连续多次的勘探试验选出故障检测能力更高的蜕变关系。使用多个已知的蜕变关系在两类不同输出类型的端到端自动驾驶系统上开展了大量实验,结果表明多臂赌博机能在选择蜕变关系有效性基本不变的情况下,选择出最有效的蜕变关系,而且还能减少近40%的运行时间,显著提升运行效率。（3）将现实场景分解为时间、事件、天气三个维度,某一维度的场景变化定义为一维蜕变关系,利用组合蜕变测试的思想构建了二维和三维复合场景蜕变关系,以此来检测端到端自动驾驶系统的故障。实验表明,将单一维度场景变化进行组合构成复合场景能够覆盖大部分多变的驾驶场景,提升自动驾驶系统测试的完备性;复合场景多维蜕变关系相较于单一场景蜕变关系故障检测能力有所提高,最高达18.54%。基于上述研究开发了自动驾驶蜕变测试平台,用户可设置初始蜕变关系,选择被测试系统和数据集,设置验证规则;平台能够自动进行组合生成复合蜕变关系,智能选择蜕变关系生成测试用例并完成蜕变测试,简化了对自动驾驶系统测试流程。