智能汽车的发展对减少交通事故的发生和减小交通事故的伤害具有重要意义。智能汽车在面对复杂的交通环境需要解决的技术难题是环境信息融合感知、主动避撞等技术难题。为智能汽车在复杂的交通环境下识别危险的驾驶场景,提供可行的碰撞预警策略和测试验证场景,进行了自动驾驶汽车测试场景构建、车辆交通环境主要道路使用者目标检测和跟踪以及智能汽车碰撞预警策略的研究,主要工作如下:（1）针对自动驾驶汽车安全性测试验证中海量测试场景以及高风险测试场景的需要,基于国家车辆事故深度调查体系中641例事故数据,根据交通环境要素和测试车辆基础信息选取了5个场景要素,通过独热编码和聚类分析方法对车辆交通事故数据进行了分析,结合聚类得到的典型车辆碰撞危险场景提出并分析了危险事故特征,构建了15个涉及道路路段类型的自动驾驶测试场景,后进一步提出了驾驶工况与危险事故工况相似度。（2）基于深度学习方法对车辆复杂交通环境下的人车道路使用者进行目标检测和多目标跟踪,选用单目摄像头实现对交通环境车辆、两轮车（TWS）和行人3大类目标的实时检测,使用YOLOv4作为Deep Sort的目标检测算法来提升Deep Sort目标检测器的复杂交通场景的检测性能。采用迁移学习的方法对YOLOv4目标检测模型进行训练,并在校园园区道路和城市快速道路进行目标检测和跟踪测试,测试结果表明基于YOLOV4和Deep Sort目标跟踪模型可以对实际交通环境下的人车目标有效检测和较好的跟踪。（3）基于传统Time-To-Collision（TTC）模型,结合基于中国真实事故数据的危险事故工况,提出了考虑危险事故工况相似度的TTC修正模型,并在主动安全仿真软件中进行了测试场景的搭建和仿真分析,验证了修正模型的合理性和可行性。仿真结果表明考虑危险事故工况相似度的碰撞预警策略可以对危险的驾驶工况提前预警和提前进行一级制动,减少二级制动的可能,提高AEB系统的安全性和舒适性。（4）为测试目标检测和跟踪的真实道路效果,实现车辆交通环境人车道路使用者的相对轨迹获取,建立了单目测距模型,考虑俯仰角影响分析了单目测距的距离函数关系和参数合理选择区间,并对单目测距模块、目标检测和跟踪模块以及组合惯导模块进行了校园道路和城市快速路段实车图像数据采集和联合实验测试。验证了基于单目摄像头的目标检测和跟踪模型的能够在短距内达到较高测距精度和获取实时的跟踪目标相对轨迹。测试场景的研究结果可以为智能汽车提供主动避撞的测试场景和测试验证依据,同时丰富自动驾驶高风险测试场景;考虑危险事故工况相似度的TTC修正模型,可以提前发布在典型危险事故工况下的预警信号和允许碰撞预警系统采取更有针对性的避撞策略,可提高AEB系统的安全性、舒适性和智能性。