近年来,随着汽车保有量的不断增加,手动泊车难度逐渐加大,自动泊车系统的研究迫在眉睫,而在自动泊车系统中车位识别系统的研究较为重要。早期基于传统视觉的车位识别算法场景适应能力极弱,现有的深度学习车位识别算法忽略了车位的整体特征。此类方法未实现端到端的识别,对复杂场景车位识别率不高。旋转目标检测是一种能够对不规则四边形目标进行检测的方法,但初步实验结果表明,原始网络应用于车位检测存在耗时长、角点检测不准确的问题。针对以上问题,本文以YOLOv3为基础架构设计了基于旋转目标检测的车位识别网络,并在自制数据集和开源数据集上进行了充分的测试。针对开源车位识别数据集数据量小、场景单一的问题,本文进行了车位识别数据集的构建及分析。该数据集以车辆环视图作为数据源,采集获得可用数据18789张。为了解数据集特点,本文将其与开源车位识别数据集进行了多角度的对比分析,得出自制数据集数据量更大且场景更丰富的结论。自制数据集数据为后期测试提供了丰富的数据。本文还将该数据集与旋转目标检测数据集进行了对比分析,从数据分布角度明确了旋转目标检测方法用于车位识别任务的可行性。为实现端到端的实时车位识别,本文创新的将旋转目标检测方法用于车位识别任务。根据测试结果创新的设计了以YOLOv3为基础架构的基于旋转目标检测的车位识别网络。为使YOLOv3网络具备旋转目标检测能力,本文设计了旋转目标描述方法,主要思路是在原有目标检测框中心点的基础上进行偏移来对不规则四边形进行描述。为对偏移变量进行监督,本文使用均方差损失构建了旋转目标损失。为对该改进网络进行高效的训练,本文构建了三阶段的训练方法,包括预训练、迁移学习、再学习三个阶段。本文对构建的车位识别网络进行了充分的测试,在测试前本文确定了以查准率、查全率为主要的测试指标。在多数据集的测试中,该网络在多个数据集上都取得了较高的测试分数,其中在ps2.0开源车位识别数据集上取得了查准率0.9740、查全率0.9857的优秀结果。为测试轻量化网络实时检测能力,本文还进行了耗时对比测试,并对性能下降进行了评估。该网络的轻量化版本在性能衰减较小的情况下实现了4ms的高速检测。实验最后,本文进行了兴趣点可视化实验,得出车位中心及边缘轮廓线更易成为网络兴趣点的结论。从实验结果可知,本文构建的网络在车位识别任务上取得了优异的测试结果,证明了本文将旋转目标检测用于车位识别任务的思路可行且效果优秀。