随着技术的不断发展,智能驾驶已成为当前的热门研究领域之一,车辆检测和测距是智能汽车环境感知的重要组成部分,也是智能汽车安全驾驶的基础。传统的基于视觉的车辆检测与基于几何变换的测距方法在检测速度和精度上还达不到智能汽车的要求,为解决这个问题,将卷积神经网络应用在车辆检测与测距上,研究出检测精度高、速度快的车辆检测与测距算法具有重要意义。首先详细推导图像中点的坐标转换为三维世界点的坐标过程中所涉及到的坐标系之间的转换关系,利用张正友标定法对本文所使用相机进行标定与畸变矫正,实验结果表明本文标定结果准确,为后续的车辆检测与测距奠定基础。针对车辆检测任务,建立本文所用的数据集并进行人工标注,研究YOLOv4检测算法的原理,然后对YOLOv4算法进行改进,在不失速度的情况下提高了算法检测的精度。在此基础上提出了融合Cam Shift与改进YOLOv4算法,提高算法的检测速度与实时性,实验结果表明,本文所提出的融合Cam Shift与改进YOLOv4算法在检测精度和检测速度上均比YOLOv4算法有所提升,在本文验证集中检测精度提高了5%,检测速度提高了6FPS。针对传承基于几何模型测距方法需要标定的参数多、几何约束强的缺点,本文提出基于车辆底部边缘回归的车辆测距算法,利用标定实验的数据和回归理论获得回归模型并提出测距公式,实验结果表明本文所提出的测距算法比基于几何模型的测距算法的平均精度高,平均误差在5%以内,证明了本文所提算法的正确性。最后将融合Cam Shift与改进YOLOv4算法与基于车辆底部边缘回归的车辆测距算法进行结合,搭建道路实车试验软硬件平台后进行试验,试验表明本文所提算法检测效果好,具有较高的实际应用价值。