近年来,汽车行业的发展变革是科技进步的真实写照,智能化的出行方式已是未来的发展方向。车辆场景理解技术作为提高车辆智能化水平的前提和实现自动驾驶的“关键一步”,在辅助驾驶乃至自动驾驶领域中备受关注。而如何在有限的车载计算空间内为智能汽车提供充足的视觉信息,仍然是具有挑战的问题。语义分割和目标检测是实现车辆场景理解的两大核心任务,得益于深度学习的发展,目前针对单一任务的算法模型相继涌现,但应用在车辆场景理解领域提供的视觉信息仍比较局限。多任务神经网络由于具备同时处理多种任务需求的功能特性,能够提供满足车辆场景理解需要的多维度环境信息而不引起过多的计算负担,为实现车辆场景理解提供了良好的解决方案。本文课题基于深度学习方法对车辆场景理解技术需要的可行驶区域信息、目标检测信息等进行研究,提出一种基于多任务深度神经网络的车辆场景理解方法,为车辆获取多维度的环境信息提供算法模型和理论支持。本文开展的主要研究如下:（1）针对语义分割任务中模型分割精度和推理速度的权衡问题,本文构建了基于特征上下文编码的实时语义分割网络FCENet。利用可分离卷积指导设计了上下文提取模块,进行下采样过程中图像的空间特征信息编码,有效减少了网络参数;通过引入注意力机制联结不同层级的编码信息进行特征后处理,提升网络的分割精度。构建了具有良好的精度和推理速度的实时语义分割网络FCENet,并在相关分割数据集上设置多组对比实验优化网络结构,实验结果验证了本文设计的分割网络在分割精度和速度上达到了有效的平衡。（2）针对目标检测任务中检测精度和检测速度的权衡问题,本文构建了基于YOLO融合ROI池化的交通参与者检测网络TPDNet。通过对基于候选区域和基于端对端回归的两种目标检测算法的原理分析,确立利用Encoder-Decoder架构进行算法框架搭建,将FCENet中的上下文提取模块作为检测网络的编码部分,并结合YOLO的快速回归思想和ROI池化作为网络的解码部分。实验结果验证了本文设计的检测网络在目标检测精度和速度上的有效性。（3）综合分割和检测任务的算法模型,对多任务联合算法进行研究,以共享特征提取过程的方式融合两种不同算法,提出一种同时实现分割和检测任务的多任务深度神经网络。实验结果表明本文提出的多任务深度神经网络模型可以高效的提供分割和检测信息,在保证模型精度的基础上,获得了较快推理速度。