仿真测试系统已经成为自动驾驶车辆技术开发验证过程中的重要组成环节。现有的仿真测试手段主要分为两种,一种是基于传统汽车动力学模型的仿真软件;另一种是基于游戏引擎搭建仿真环境,利用计算机渲染技术实现自动驾驶的仿真。但是这两种方式均需要手动的创建车辆的模型以及复杂的环境模型,非常繁琐且耗时。此外获得的仿真数据具有明显的计算机虚拟合成风格,与实际传感器采集得到的数据具有明显的差异,使用此种数据进行仿真测试会导致性能上的降低。本文围绕着提升自动驾驶仿真测试系统的数据真实度和多样性进行研究,基于数据驱动的方式实现了对图像数据、激光点云数据的虚拟增强合成,解决了图像修复、图像增强渲染、激光点云仿真等关键技术问题,实现了基于增强现实的自动驾驶测试技术,搭建了软件在环平台,测试了数据驱动方式所生成测试数据的真实度,分析验证了基于增强现实技术的自动驾驶仿真测试系统的优越性。本文建立了图像数据增强系统。基于道路采集的真实场景数据,通过建立图像掩膜将数据集分割成静态场景数据以及动态障碍物数据,针对静态场景数据中存在扣除障碍物后留下的孔洞问题,设计实现了两段式生成对抗网络来修复图像中的孔洞。基于图卷积神经网络实现了由RGB图像生成对应三维网格结构,利用分离得到的障碍物数据生成大量的三维模型。借助Cycle渲染器对图像进行渲染增强,将三维模型增强渲染至修复后的静态场景图像,得到增强图像数据。此外,为增加数据多样性,基于生成式对抗网络实现了图像白昼到黑夜的渲染。根据激光雷达的工作原理,设计实现了仿真激光雷达模型。利用深度学习算法将路采点云数据中的障碍物移除,得到纯净的场景点云数据。统计分析了不同场景下各类障碍物的分布规律,建立了各个场景下的障碍物分布概率图,用于指导移动障碍物的放置位置。设计了立方体地图模型,将场景点云投影得到深度地图、法向量地图、纹理地图,生成增强激光雷达点云数据。利用本文方法生成的仿真测试数据,验证本文方法在自动驾驶仿真测试过程中的实用性。通过对比本文方法生成的增强仿真数据与已有仿真方案的数据,实验结果证明本文方法得到的仿真数据更加接近真实场景数据,具有更高的真实度。