车辆检测是汽车高级辅助驾驶(ADAS)系统中环境感知的重要组成部分。传统车辆检测一般是在PC机上实现的,随着计算机软、硬件快速提升,深度学习与目标检测算法不断发展,车辆检测也逐渐应用到嵌入式设备上。嵌入式设备具有体积小、价格低、稳定性好等优点,如果在嵌入式设备上实现准确、实时的车辆检测,那么将显著的降低ADAS系统的开发成本。嵌入式设备硬件性能有限,使用的算法有相当大的局限性。近年来,基于深度学习的目标检测算法高速发展,在保证高准确率的情况下实现了高速率检测,但是这些算法不能直接应用到嵌入式设备上。本文针对车辆检测的特点和嵌入式设备这一特定场所,以SSD目标检测网络为基础,结合其他技术改进并创建SSD网络,其次搭建好嵌入式系统软、硬件开发环境,在嵌入式设备上实现车辆检测。首先针对车辆数据的分布和嵌入式设备的特点,对原始SSD网络做出了如下几点改进:用K-Means聚类算法从新设置SSD的区域候选框,使其更加符合车辆数据尺度分布,提高模型的检测精度;在原始SSD损失函数基础上增加排斥损失,提高对相互重叠车辆的检测性能;使用MobileNetV1深度神经网络作为SSD的特征提取网络,在保证检测精度不下降的情况下,大幅降低计算量,以满足嵌入式设备运行车辆检测算法的实时性要求。嵌入式系统以ARM架构的三星Exynos 4412微处理器作为硬件平台,在此平台上移植Linux操作系统以及涉及到的所有驱动程序,应用开发方面完成QT图形化界面库、Caffe深度学习框架库的移植。