智能驾驶是汽车发展的趋势,也是当前汽车行业研究的热点;环境感知是智能驾驶系统中的重要模块,其主要任务是感知智能驾驶汽车周围的行人、车辆、交通信号灯、障碍物等物体,便于智能驾驶系统做出正确的路径规划,避免汽车在行驶过程中发生碰撞。智能驾驶汽车对环境感知模块的实时性能要求很高,而当前一些主流的模型旨在追求准确率的提升,忽略了模型的实时性;轻量化技术是优化模型实时性的重要技术手段。本文主要基于深度学习中的轻量化技术,对环境感知中的图像感知做了深入研究,提出了一套适用于智能驾驶场景的视觉识别和语义分割方案。首先,针对视觉识别问题,基于深度分离卷积、分组卷积等轻量化的高效卷积方式,设计了用于图像特征提取的不变分辨率卷积模块和下采样模块;并依此构建了深度主干网络,检测部分主要参照SSD网络并做了改进和优化,并在KITTI数据集上对设计好的模型进行了训练、测试及分析。其次,针对语义分割问题,使用高效的多尺度信息融合单元和高效的轻量化网络,设计了用于语义分割的轻量深度卷积神经网络;在CityScapes数据集上进行了训练和测试,并使用了剪枝和量化等轻量化技术手段压缩模型,优化网络速度和体积。最后,在KITTI数据集上对视觉识别模型进行了实验验证,获得了72.7%的mAP,在NVIDIA 1080Ti GPU上推理速度达到66.7FPS;在CityScapes数据集上对语义分割模型进行了实验验证,设计的语义分割模型mIoU指标在65~70%之间,在NVIDIA1080Ti GPU上推理速度可达到20FPS,在NVIDIA Tesla GPU上推理速度可以达到38FPS。