随着经济的不断发展,汽车保有量不断上升,随之带来的是环境污染、道路拥挤和交通事故频发等社会不良现象。为缓解和解决上述相关问题,各国学者都致力于智能交通系统的研究。车载目标检测系统作为自动驾驶中的重要组成部分,可同时监测视野中所有目标的种类和位置信息,帮助驾驶员和车载控制系统及时做出相应判断,可有效减少交通事故的发生。近年来伴随计算机技术的成熟,兴起了一批以卷积神经网络结构为基础的图像检测算法革新。相比浅层机器学习算法,这些新兴算法在检测精度方面有了较大提升。但是由于卷积神经网络结构复杂、计算量过大,使其在嵌入式实时应用中难以同时满足检测速度、检测精度、硬件功耗和硬件成本的要求。本文以卷积神经网络目标检测算法为研究对象,采用软硬件协同设计的方法在Xilinx ZYNQ(ARM+FPGA)异架构可扩展处理平台实现了基于深度学习的目标检测系统。第一,对于卷积神经网络结构实现复杂的问题,根据YOLO卷积神经网络的结构特征改进了卷积神经网络计算的软硬件划分,在ARM Cortex-A9的处理模块(PS)中实现算法的流程控制、目标分类和非极大抑制算法,在可编程逻辑FPGA模块(PL)中进行硬件加速,实现卷积层和池化层的并行计算。第二,针对可编程逻辑并行计算中运算延迟较大的问题,提出了数组分割、卷积循环展开、卷积循环流水的方法对卷积层运算进行并行加速,同时通过4个ZYNQ AXI-HP高速接口并行传输减小FPGA与DDR读写延迟。实验结果表明,本文设计在各种复杂路况和光照条件下检测结果准确,在功能上体现了良好的鲁棒性。在检测速度方面,采用硬件加速方法在核心器件功耗只有3W情况下提高了运算吞吐量和运算效能,达到了10帧每秒的检测效果。相对于ARM cortex-A9,吞吐量提高111倍,运算效能达到57.5倍。在检测精度方面,使用YOLOv2算法在不同检测场景下准确率和覆盖率均超过80%。系统的各项指标达到了项目设计要求。本文对深度学习算法应用于目标检测领域进行了研究,基于ZYNQ硬件平台和卷积神经网络目标检测算法设计实现了一套低成本并且满足实时性和检测精度要求的低功耗车载目标检测系统,研究成果可以应用于汽车驾驶员危险目标检测报警系统,也可以进一步应用于汽车驾驶辅助系统和无人驾驶系统中。