自动驾驶是实现“智能汽车”、“智能交通”和“智能车联网”的关键技术，伴随着传统汽车行业的发展逐渐趋于饱和，自动驾驶将是未来汽车实现蓬勃发展的必然趋势。随着深度学习研究的迅速发展，自动驾驶也已迎来了革命性的时代。本文对基于深度学习的自动转向技术进行研究，通过将深度学习应用到自动驾驶中的感知和决策过程，直接预测出方向盘控制指令以实现智能汽车的自动转向。这可以加快自动驾驶技术的开发速度，对自动驾驶的最终实现具有重要的意义。　　首先，本文搭建了自动驾驶系统研究平台。对某纯电动汽车进行了底层执行机构的改装，分别使用转向电机和推杆电机来驱动方向盘和刹车踏板，对于油门则从电子线路上施加外部DA信号来驱动。在硬件方面，分别搭建了传感器平台和控制器计算平台。在软件方面，搭建了基于ROS系统的实车软件平台以及基于Prescan、Simulink和TensorFlow的自动驾驶仿真软件平台。　　其次，建立了基于深度卷积神经网络的智能汽车自动转向模型，分别从仿真和实车测试两个方面对自动转向模型进行了验证。仿真结果表明，该模型能较好地收敛。在此基础上，基于实车测试数据做进一步的训练，结果表明，预先训练好编码器后，再训练转角预测模型，其损失函数收敛得更快，并且预测的角度在测试集上能较好地跟随实际角度变化而变化。为分析智能汽车自动转向模型重点关注的道路区域，分别使用解码器可视化、反向传播可视化和反卷积可视化方法来还原出道路图片。结果表明，在车道保持工况下，该模型重点关注的是道路的边线。　　最后，对智能汽车自动转向模型进行了改进。将原来的转角控制器网络替换为长短期记忆网络，使用序列化图像数据作为输入来计算方向盘角度控制量。训练结果表明，改进后的模型收敛速度更快，并且预测出的角度更为准确和平缓。在此基础上，在仿真软件平台上做了路口和变道过程中的测试，仿真结果表明，改进后的模型可根据路口的指向箭头来预测出相应的方向盘角度，也可根据当前车道和旁边车道上的障碍物信息来完成换道行为。这对于实现带有选择性的端到端深度学习有一定的启发意义。