可行驶区域检测,指的是自动驾驶系统通过分析车辆前方拍摄的区域图像,来判断前方是否为没有车辆行人等障碍物的可行驶区域。可行驶区域检测是自动驾驶环境感知模块的基本组成部分,目前,基于深度学习的可行驶区域检测已经成为环境感知中的主流方法。基于深度学习的方法与传统的检测方法相比分割精度大大提高,能够解决更复杂环境下的图像处理问题,可以极大提高算法对环境的鲁棒性。但是基于深度学习的可行驶区域检测方法计算复杂度更高、运算量大,在满足自动驾驶等对实时性要求较高的应用场景时面临挑战。目前主流的基于ASIC、GPU、FPGA的计算方式存在各自的不足,探索出适合该应用场景的更佳的计算方案仍是一个值得深入研究的领域。本文针对基于现场可编程门阵列FPGA可定制计算的可行驶区域检测存在的开发效率低、算法迭代困难等问题,研究了基于Vitis AI及DPU的FPGA定制计算方式在解决可行驶区域检测问题上的可用性。本文主要工作如下:（1）提出了一种基于改进U-Net的可行驶区域检测算法。首先基于卷积神经网络的语义分割方法,将深度学习应用于街景图像可行驶区域检测问题。基于端到端深度学习语义分割模型U-Net,采用卷积层改进、残差注意力机制改进、树突网络采样的优化策略,提高了算法对街景图像可行驶区域的检测准确率,在Cityscapes数据集上取得了最高95.1%的整体准确率,与改进前的可行驶区域检测方法相比提高了2.36%,减少了可行驶区域与背景之间的混淆。（2）研究了基于FPGA的可行驶区域检测硬件加速器。首先,通过分析卷积神经网络的并行性,使用循环展开技术以及流水线技术,设计了卷积运算模块、深度可分离卷积模块、激活函数计算单元模块,然后使用数据定点量化技术以及上述硬件模块最终实现了可行驶区域检测的整体硬件设计。（3）设计并实现了基于FPGA的可行驶区域快速检测系统。为了快速实现比原始软件更有效的低延迟和低能耗可行驶区域检测架构,使其适用于低功耗物联网和移动设备,本文研究了基于Vitis AI的DPU最优参数设置,并分析了其对系统实现延迟、能耗和资源利用率的影响。实验表明,硬件加速后的模型准确率保持在94.3%,在基于ZCU 102的异构硬件平台上可以获得42FPS的处理帧率,1.95FPS/W的性能。与通用计算平台3.5GHz主频的i9-9900X CPU相比,处理速度是它的3.2倍,能效提高了24倍。与GTX 2080 GPU相比,速度是其0.52倍,能效是其5.4倍。