智能化、网联化、电动化和共享化已成为汽车工业的核心发展方向,尤其是进入21世纪以来,车辆的智能化一直是各大汽车制造商及高校重点研究的领域和方向。基于深度学习、神经网络等学科在人工智能方向的优势表现,自动驾驶感知技术得到迅猛发展,而视觉感知又是其必不可少的组成部分。本文从目标检测、车道线识别、可行驶区域三个方向深入自动驾驶视觉感知算法研究。本文首先介绍了基于深度学习的目标、车道线和可行驶区域检测的国内外研究现状,对一些经典优秀的模型做了介绍,为本文模型的构建提供思路和理论基础。第二章详细介绍了本文目标检测模型的网络模型和实验调优过程。模型在Det Net基础上增加对通道的注意力预测,对提取出的三个不同深度的特征图像进行融合拼接,并基于注意力机制对空间及通道进行调整,最后基于预先生成的先验框,完成预测框类别和位置的预测。推理过程采用了soft-nms处理重叠目标,训练过程为分类损失与回归损失之和,采用了focal loss结合标签平滑技术聚焦难训练样本,提高模型泛化能力,CIo U loss同时考虑检测框的位置、形状和大小的差异。在PASCAL VOC测试集上进行模型的定量评估,m AP为78.3%,计算速度为28-33FPS;在不同的场景下展示了模型的定性评估,对于小目标以及中国特有的交通参与者,由于数据集的局限性,训练效果有待提高。第三章介绍了本文车道线检测模型的网络模型和实验调优过程。模型基于关键点检测方法,结合SCNN及Hourglass网络提取车道线特征,通过两个分支分别预测车道线像素点的置信度及位置偏移量。损失函数包括confidence损失和offset损失两部分之和。在Tusimple测试集上进行模型的定量评估,acc为94.23%,本文计算资源下计算速度为23-26FPS;在不同天气及道路场景下展示模型的定性评估,在良好的天气条件下,模型对于清晰车道线具有较好的检测效果,而当路面积水等情况,模型对于不清晰标线,尤其是邻车道外侧的车道线容易发生漏检。第四章介绍了可行驶区域检测模型的网络模型和实验调优过程。模型基于Deep Labv3+,采用最为广泛应用的编码器-解码器结构,大量使用深度可分离卷积减小计算开销,及空洞卷积扩大感受野。串联通道注意力及空间注意力模块与空间金字塔池化模块提高模型对输入特征分布的敏感度。解码部分拼接4倍下采样图像与2倍下采样图像。损失函数采用Dice Loss与CELoss相加,既体现检测结果的区域相关性,又能提高训练的稳定性。在City Scape测试集上进行模型的定量评估,可行驶区域的Io U达到96.6%,当采用轻量级网络Mobile Netv2后在精度下降不多的情况下,可以极大地减少计算开销;最后在结构化及非结构化的道路上进行模型的定性评估,能够较好的分割出可行驶道路。