2017年7月8日,国务院印发《新一代人工智能发展规划》,规划中多次提到要重点发展自动驾驶技术,在智能交通建设等方面实现突破。自动驾驶系统中,对交通环境的感知是极其重要的一环。利用视觉图像来进行道路静态目标的检测识别具有无可比拟的优势,通过一次视觉图像的获取可同时获得路面的多种目标信息。本文所研究的基于视觉图像的交通环境信息感知算法针对路障、交通标志、车道线三个目标,融合深度学习算法与传统的目标检测算法进行相关实验,论文主要开展的工作如下:在目标检测领域,近些年来深度学习算法取得了显著成果。深度学习目标检测算法大体可被划分为两种主流框架,即基于区域推荐的两阶段网络以及基于回归的一阶段网络,本文整合了两种主流框架,设计了一个基于实采交通道路图像的目标检测神经网络模型,对道路中的路障与交通标志进行检测。在目标分类领域,深度神经网络对于图像的特征拥有强大的学习能力,对于目标的分类拥有极高的准确率。但深度学习算法对数据量依赖性强,在数据量不足的情况下无法发挥其全部性能,而传统的目标分类算法可以克服这一劣势。本文针对路障与交通标志两种目标的差异性,分别应用深度学习算法与传统的目标分类算法完成了4种路障与43类交通标志的分类工作。由于车道线的特殊性,本文研究比较了深度学习领域中优秀的语义分割算法,并对速度性能展开优化实验,给出了融合深度学习算法与传统算法的解决方案,对实际交通道路中的车道线进行检测。为了验证本文提出的交通道路环境感知算法在国内实际交通道路环境中的性能表现,本文建立了国内道路交通数据集,该数据集由三个子集构成,分别为包含路障的人工标记图片7419张、包含交通标志的人工标记图片11449张、包含车道线的人工标记图片37501张。综上所述,本文以图像的视觉感知技术为基础,展开对交通道路静态目标感知算法研究,融合深度神经网络与传统检测算法,优化了交通道路环境感知系统的性能,为自动驾驶技术的发展做出了一定的贡献。