随着社会经济的快速发展,无人驾驶技术已成为目前重点研究的热门话题,其核心的技术系统包括环境感知系统、路径规划系统、决策控制系统等。其中,环境感知系统类似于人类的眼睛,通过智能车在行驶过程中对周边环境信息的实时收集,实现道路交通场景下的多目标检测及识别。相比于其他传感器,视觉摄像头传感器价格低廉,通过安装在车辆前部能够精准获取道路地面指示线、交通标志、前方障碍物等信息,所以基于视觉的道路多目标检测及分割技术近几年发展迅速。本论文深入分析了智能汽车环境感知领域中的道路多目标检测、可行驶区域分割的研究现状,总结了现阶段存在目标漏检、可行驶区域边缘分割模糊等问题。在此基础上提出了一个基于视觉的多任务的道路多目标检测及可行使区域分割算法,本论文的主要工作开展如下:（1）在深入分析目标检测算法YoLov3原理的基础上,针对目标漏检以及定位不准确的问题,本文提出将YoLov3原始特征提取网络DarkNet53替换成ResNet50网络,并结合可变形卷积对ResNet50网络重新设计以提升空间采样的灵活性。在此基础上提出将特征金字塔结构替换成双路特征金字塔结构实现对更多细节的特征信息捕捉,并在该结构每个分支融合前添加额外的可学习权重,以学习到每个输入特征的重要程度,让网络学习到更多的有用信息,可有效减少目标漏检的概率。实验结果表明:改进的算法能够有效提高道路多目标检测的准确性以及鲁棒性,能够满足实际应用需求。（2）在深入分析语义分割DeepLabv3+算法的基础上,针对ASPP结构中过大的膨胀率无法精准得对图像边缘特征提取,导致对边缘目标分割不准确的问题,引入双注意力机制强调感兴趣区域、抑制不相关的背景区域,得到边界优化的语义分割结果。与此同时,对分割损失函数改进以提升分割准确率。实验结果表明:改进的算法能够更精确地实现对目标的分割。（3）在深入分析智能车辆环境感知存在的问题的基础上,提出了一种多任务的道路多目标检测及可行驶区域分割模型,仅利用一个特征提取网络即可完成复杂的环境感知任务,使无人驾驶车辆计算平台可以满足模型对计算力的要求。本文的模型集成到“智能行”号无人驾驶汽车的ROS平台进行实车算法验证,验证结果表明,提出的多任务联合算法在不同复杂交通场景下都能够精准实现多目标检测及可行驶区域分割,算法具有很好的工程应用价值。