智能汽车周边环境的准确、高效感知是实现高等级自动驾驶的必要前提,是车辆智能化程度的集中体现,也是当前智能汽车领域备受关注的重要课题之一。结构繁多的道路与类型多样、行为不确定的动静态交通要素共同构成了既规则又多变的驾驶环境。为了满足智能汽车高实时性动态决策规划的需求,有必要面向具有高度多样性、不确定性的局部驾驶环境,研究基于动、静态要素解耦感知的高效、准确的环境综合理解与层次化表达方法。针对驾驶环境理解和建模过程中环境要素复杂遮挡关系所导致的模型欠表达和要素间语义关联关系缺失等问题,以实现冗余和增强的局部驾驶场景综合理解为目标,基于深度学习方法构建了包含道路栅格地图、道路高度栅格地图和动静态语义栅格地图的多层次局部驾驶场景模型。本文的主要研究内容如下:（1）针对局部驾驶环境模型构建所需训练数据缺失、手工标注效率低的问题,研究了基于公开数据集的半自动化训练数据生成方法。首先,以KITTI语义分割公开数据集为基础扩展了无遮挡道路分割标签,构建了用于道路栅格地图模型训练和测试的无遮挡道路分割数据集;其次,提出了利用多帧聚合和图像配准在Semantic KITTI公开数据集上构建多任务道路感知数据集的方法;最后,提出了利用多帧聚合和密度聚类在Semantic KITTI公开数据集上构建语义栅格地图数据集的方法。所提出的方法和构建的数据集为相关研究提供了数据基础,有效利用了现有公开数据集的标注成果,拓展了其任务维度。（2）针对基于视觉图像构建道路栅格地图过程中由遮挡导致的表达缺失问题,研究了基于无遮挡道路分割构建道路栅格地图的方法。首先构建了基于深度卷积神经网络的无遮挡道路分割任务模型,以解决道路被路面目标遮挡的问题,实现图像透视视角下的完整道路检测,并在（1）中构建的无遮挡道路分割数据集上对模型进行训练和测试。实验结果表明,所提出的模型能有效地学习驾驶场景中的遮挡机制,在所构建的数据集上获得了93.2%的精确率。在此基础上,对透视视角下的无遮挡道路检测结果进行逆透视变换,构建俯视视角下的道路栅格地图,获得了适用于智能汽车规划控制环节的完整道路区域表达。（3）针对道路感知的全面性、准确性和实时性等需求,研究了基于激光雷达点云的多任务道路感知方法。为了同时获取完整道路区域、道路高度和道路类型等信息,基于卷积神经网络构建了级联共享、轻量级的多任务道路感知模型,实现了无遮挡道路分割、道路高度估计和道路类型识别等多任务的联合学习。所提出的方法在不同层面实现了对道路的理解,涵盖了从具体到抽象的道路表示,对起伏道路具有更强的适应性。在（1）中构建的多任务道路感知数据集上的训练和测试实验结果表明,在无遮挡道路分割任务取得了96.8%的准确率,道路高度估计任务上的L1误差为6.0cm,道路类型识别任务上的平均交并比指标为73.6%。所提出的多任务联合学习架构与已有相关研究相比,具有高效性、实时性和灵活性的特点,实车应用价值更高。（4）针对复杂驾驶场景建模中环境要素的语义关联关系缺失的问题,研究了激光雷达和摄像头融合的动、静态语义栅格地图构建方法。提出了前期融合与中期融合的端到端卷积神经网络模型,在数据与特征两个层面建立了多模态感知信息的互补与增强机制。在前期融合阶段,对点云和图像进行逐点特征匹配与特征变换,进而实现特征组合。在中期融合阶段,针对激光雷达点云特征稀疏性的问题,基于候选单元格估计结果进行多尺度图像特征的逐单元格融合。在（1）中所构建的语义栅格地图数据集上进行了模型的训练和测试,实验结果表明,融合方法比基础对照模型在动、静态语义栅格地图构建任务上分别提升了2.3%和1.2%。所提出的方法能够有效地利用多模态感知信息实现动静态要素分离的语义栅格地图构建,实现对局部驾驶场景的高效和准确表达。在上述研究的基础上,本文通过证据推理方法对所构建的局部驾驶场景分层模型进行融合和优化,利用所构建的智能汽车研究平台进行数据采集,在封闭园区、城区道路和快速公路等典型驾驶场景进行了测试,实验结果表明,所提出的方法能在多种类型的驾驶场景实现冗余和增强的局部驾驶场景综合理解。