人工智能算法在自动驾驶领域的深度应用,极大的增强了智能车对复杂场景的感知能力。但由于智能车所面临的驾驶场景复杂性与人工智能算法的不确定性,使得人工智能算法给智能车的驾驶安全带来了新的挑战。对于智能车在驾驶过程中由于复杂驾驶环境和人工智能算法不确定性可能引发的风险进行有效分析,降低智能车在行驶过程发生事故的概率,提高智能驾驶的行车安全性,最终才能实现安全智能驾驶。因此本文的主要研究内容如下:(1)不同驾驶环境和交通事故严重程度之间存在密切联系,为了尽量降低高风险复杂场景所引起的交通事故严重性,本文提出一种研究驾驶环境和事故严重程度关系的方法。本文基于Kaggle开源的法国交通事故数据集,首先通过数据清洗进行特征处理,并提出了一种多种特征选择方式融合的方法进行特征筛选,得到对事故严重程度有重要影响的环境特征子集,组成典型事故数据集。然后基于定序回归方法构建了事故风险模型,基于模型分析环境特征对事故严重程度的显著性、相关性以及影响系数,得出与事故严重程度密切相关的几种高危场景,最后针对每种高危场景提出了对应的策略和建议。(2)针对恶劣天气高风险复杂场景下智能车极易出现感知错误而引起严重交通事故的情况,本文首先从神经网络角度对感知不确定性进行了探讨,然后对多起智能车交通事故进行分析,发现准确的场景模型可以进行一个精准的可行驶区域划分,有效避免感知错误的问题,但语义分割依旧具备着神经网络的不确定性风险,因此本文针对可行驶区域分割不确定性问题,对交通场景语义分割的不确定性进行研究,分析了现有语义分割不确定性提取算法效率不高的缺点,提出了一种结合贝叶斯深度学习的分割不确定性评估算法,采用MC-Dropout技术对语义分割算法进行不确定性采样。在Bayesian Segnet关键层嵌入了MC-Dropout采样方法,减少了单次采样的网络臃肿程度,并且引入了金字塔采样结构,提高了单次采样的不确定性提取效果。实验结果表明,该方法与Bayesian Segnet相比,分割不确定性提取效果更好,且效率更高。(3)在完成理论分析和算法设计之后,本文将语义分割不确定性评估算法应用于可行驶区域划分的不确定性评估问题,主要考量智能车的可行驶区域。本文第四章提出的算法对于每个像素点均给出了其不确定性结果,缺乏可行驶区域分割的整体不确定性评估结果,在工程应用上不利于决策系统结合局部信息和整体信息进行综合决策,因此本文提出了不确定性度指标,针对可行驶区域进行高风险像素点统计,然后以高风险像素点占比作为可行驶区域分割结果的整体不确定性评估。最后本文搭建了仿真环境,并在仿真环境下对不同天气环境下的可行驶区域分割结果不确定性评估算法和不确定性度指标进行了测试,结果表明本文设计的像素级不确定性评估算法可以有效的对分割结果的可靠性进行评判,同时本文提出的不确定性度在对可行驶区域分割结果的整体不确定性评估上也有着明显的区分度。