在5G和人工智能不断发展的科技背景和人民对美好生活的不断向往的时代背景之下,发展自动驾驶技术的智能交通体系是必然趋势,但自动驾驶技术是一个庞大的系统科学,实现自动驾驶也不是一步到位的。其中一个重要课题就是感知道路中路况信息,获取前方车辆目标的位置和距离。由于车辆行驶场景快速变化,使单目视觉车辆目标检测及测距依然具有不确定性;而且嵌入式平台在深度学习运算中存在实时性和准确性难以两全的矛盾,对于车辆安全来说,提高车辆目标检测和测距的精度及效率是一个长久的问题和挑战。本文主要针对车辆目标检测和测距,研究了基于深度学习的车辆目标检测算法和基于单目视觉车辆目标测距的算法,给出了相应的改进算法,并对嵌入式硬件平台上的编解码展开研究。最终目的是实现车辆目标检测和测距算法运行在嵌入式系统,准确检测车辆,精确计算车距,画面流畅播放。主要工作分以下三个部分:（1）车辆目标检测。在对通用目标检测算法理论分析和验证实验的基础上,为满足嵌入式平台的使用要求,选取了基于深度学习一步法YOLOv3-tiny算法作为基础算法。在此算法上增加一个上采样层,以提升对小目标车辆的检测;增加残差网络,提升检测准确性;重新聚类Anchor以增强相关度,优化训练;改进损失函数以降低训练参数,简化训练过程。改进后的E-YOLOv3-Vehicle-Res车辆目标检测算法在TX2上的检测速度达到26FPS,平均精度AP达到83.9%,相比于YOLOv3-tiny,在保证效率的前提下,提高了检测精度,且适用于嵌入式系统平台。（2）车辆目标测距。在建立基于单目视觉几何测距模型基础上,分析了该测距模型产生误差的原因,通过运用道路消失点检测的方式,估算姿态角,修正单目视觉几何测距误差,解决了相机姿态角变化对测距的影响。改进后的修正相机姿态角的单目视觉几何测距算法,在一定距离范围内相对误差控制在7%以内,比改进前测距方法测距相对误差降低了约50%,有效降低了测距误差且适用于车载平台。（3）嵌入式系统移植和硬编码。采用NVIDIA Jetson TX2平台完成硬件和软件设计,实现了E-YOLOv3-Vehicle-Res车辆目标检测算法和修正相机姿态角的单目视觉几何车辆测距算法的移植;完成了基于TX2的硬编码、推拉流和软解码的相关开发。每帧视频画面延迟降低到43ms,本文测试软编码延迟在200ms以上,解决了视频图像卡顿问题,大大降低了延迟。实车实验中整个系统准确检测前方车辆目标,框选位置;精确测量车距;嵌入式平台能流畅播放实时处理画面,未出现明显卡顿和延迟。在一定程度上完成了基于单目视觉和嵌入式系统的车辆目标检测和测距研究。