考虑到智能交通系统状态复杂，如何保证行人、车辆等道路交通的重要参与方的安全是未来智能交通面临的重要问题之一。本项目利用智能手机的图像采集功能，结合深度学习图像识别技术，对道路上行人、车辆和交通标示进行识别，并将障碍物、危险驾驶行为、危险行人等对驾驶人员进行即时的提醒，从而避免危险事故的发生。实验表明，本项目研发的识别预警系统能对车辆、行人和交通标示的识别准确率达到80%，平均识别时间小于200毫秒，这对提升道路交通安全具有重要的意义。本项目主要致力于将深度学习与车车通信技术应用于到智能网联汽车中，以解决汽车行驶安全问题。首先实现在移动平台上运行深度模型，将物体检测算法到应用到移动平台端，采用模型压缩、预训练等优化方法来减小深度网络的空间大小，并用物体并行检测的方式来降低网络大小和提高运行速度。在车队通信机制中，分析车辆随机组合成车队的规律，建立完整的车队管理机制，底层采用DSRC技术支持通信的可靠性。最终达到在移动平台上可靠运行深度网络进行物体检测的效果，满足车辆道路行驶的安全需求，实现了智能感知、定位导航、碰撞预警、智能调度等技术和应用。运用安卓平台上的深度学习模型，实现车辆、行人、自行车等运动物体检测。采用基于移动设备（Android平台）的深度学习模型，可以运行在智能手机、手持Pad等智能设备中，小型且便携化。应用集成了摄像头、计算单元和GPU的移动设备，在其资源有限的情况下，研究与开发深度学习模型的建立、训练和优化执行，同时采用高效的物体识别算法，提高实时性的同时减少了检测繁琐的检测流程，最终实现物体的实时检测。本项目使用集成了DSRC（Dedicated Short Range Communication）和Wi-Fi双模无线通信的OBU（On-Board Unit）作为车载通信单元。其中DSRC模块用于车辆之间短距离专用通信，频段采用美国车联网协议中规定的5.9GHz（不受Wi-Fi）干扰。Wi-Fi用于OBU与移动设备进行互联通信。网络层基于欧洲GeoNet工程中开放的工程源码CarGeo6采用IPv6+C2Cnet的混合架构来实现车辆之间基于地理位置的路由。对于单辆汽车而言，由于移动平台的资源和计算能力有限，导致无法进行实时的基于深度学习来做道路物体检测。本项目提出一种基于车队通信的分布式深度学习方案。其次，车队行进过程中，车队头车的采集视频流信息最为有效（车队后车会受前车车体的视线阻挡），以头车作为深度学习任务的发布者，车队内其他车辆接收到分配的任务后进行深度学习，最后将物体检测后的结果分享在车队内来提高深度学习物体检测的效率。