为实现对分心驾驶和车内遗留情况的安全监测，分别采集了分心驾驶工况和车内乘员遗留工况数据，结合神经网络模型，采用端到端分心驾驶网络中的轻量化网络MobileNet V2实现分心驾驶识别，并通过串联YOLO V5目标检测器、DBFace人脸检测器和MobileNet V2人脸分类器，设计了车内人员安全监测方案。针对2种车内人员安全监测任务分别设计实车试验验证方案的可行性，结果表明，所提出的方案在保证实时性的前提下具有较高的检测准确率。

为解决车内遗留儿童检测容易受到外界因素干扰的问题，提出了一种基于肢体尺寸的车内儿童遗留检测算法。首先使用OpenPose算法获得红外图上人体骨骼点的像素坐标，再利用相机内参和图片深度信息求取肢体尺寸，最后通过肢体尺寸拟合出车内乘员的体积进行成人或儿童的判断。试验结果表明，该方法相比于红外热传感器、电容传感器等其他方法准确性更高，不易受环境因素的干扰。

为实现传统图像处理方法在智能交通系统中的广泛应用，针对高速公路监控视频中车辆的识别与计数方法进行研究，采用Python编程语言，基于OpenCV库，通过灰度化、去噪、背景减除和形态学运算等一系列传统图像处理方法完成了车辆的识别与计数功能设计，并将该方案与基于YOLOv3模型和简单在线和实时跟踪（SORT）算法相结合的方案进行对比。结果表明，传统图像处理方法可以完成运动目标检测任务，但相对于基于深度学习的方案存在准确度不高和通用性不强的问题，为此提出了将传统图像处理与深度学习相结合的研究建议。

在未来智能车辆乘员坐姿多样化发展的趋势下，针对第50百分位男性假人建立车辆约束系统的MADYMO多刚体仿真模型，根据实车碰撞试验数据验证其可靠性，并利用该模型将乘员坐姿划分为5种类型，研究汽车正面碰撞条件下除标准坐姿外的4种假人坐姿在自动紧急制动（AEB）系统与主动安全带共同作用下对假人损伤风险的影响，分析假人头部和髋部的合成加速度，以及假人各部位的受力情况。结果表明：不同坐姿对乘员产生的损伤不同，相对于标准坐姿，其他坐姿条件下乘员头部加速度均有所提高。

分析了新版中国新车评价规程（C-NCAP）侧面碰撞壁障的主要变化及整车结构面临的挑战，同时基于某车型在采用新版侧面碰撞壁障试验条件下的有限元分析结果，分析了碰撞后整车结构变形的差异及变化，针对车门及B柱提出了提升材料强度及厚度、增大门盖与车身搭接面积等改进方案，相对于传统解决方案质量减轻15%。

为了提高汽车的结构耐撞性，以某插电式混合动力轿车的前纵梁为研究对象，参照中国新车评价规程（C-NCAP），基于正面100%重叠刚性壁障碰撞试验工况要求，建立汽车前纵梁有限元模型，以汽车前纵梁的横截面积、内外板材料及厚度为研究对象，以比吸能、平均压溃力和压溃效率为研究目标，对汽车前纵梁进行仿真分析。基于哈默斯雷采样法选取样本点，运用改进的最小二乘法对前纵梁进行响应面优化，结果表明，优化后汽车前纵梁的比吸能提升了1 129.14 J/kg，平均压溃力提升了8.2 kN，压溃效率提升了2.59百分点。

为研究不同坐姿下乘员正面碰撞损伤趋势，基于某车型构建了Thor-AV假人与车辆碰撞仿真模型，对3组不同坐姿（座垫角度25°，座椅靠背角度42°、52°、62°）乘员假人开展中国新车评价规程（C-NCAP）正面100%重叠刚性壁障碰撞仿真。结果表明：座椅靠背角度越大，头部伤害风险越大；颈部剪切力及轴向拉力随靠背角度增大而逐步增大；乘员锁骨在碰撞过程中存在较大的骨折风险；胸椎T12的轴向压缩力对乘员安全产生较大威胁，在座椅靠背角度为62°时最大压缩力达到11.6 kN；该车型在大角度靠背座椅状态下，约束系统不能有效保护乘员。

以某车型白车身为研究对象，通过Hyper Mesh软件建立有限元模型，基于轻量化需求，提出了白车身A柱加强板采用热成形钢PHS1500替代先进高强钢、车身前纵梁使用DP780替代B410LA、前保险杠横梁使用QP980替代QSTE500TM，同时减薄厚度的优化方案。依据《C-NCAP管理规则》，应用LS-DYNA对白车身模型进行50 km/h正面100%重叠刚性墙碰撞分析，结果表明，以传统高强钢材料的正面碰撞分析结果为基准，应用优化方案后，A柱加强板考察点侵入量减小8.9%，防火板腿部考察点侵入量减小15.9%，白车身的正面碰撞安全性能大幅提高，同时质量减轻6.224 kg。