随着汽车保有量的增加,汽车在给人们带来交通便利的同时,也造成了交通拥堵和交通事故频发等问题,汽车智能化已经成为了国内外汽车行业的重点发展趋势。汽车智能驾驶的目标检测和语义分割等环境感知技术是其中关键的一环,感知结果直接影响车辆的决策规划及整车的执行控制。深度学习方法在计算机视觉领域取得了巨大的进展,基于深度学习的视觉感知是研究智能驾驶的可行方案,而目标检测和语义分割都是视觉感知的核心任务。本文主要研究基于深度学习的智能驾驶目标检测与语义分割算法,提出一种基于深度学习的目标分割和检测的联合算法模型,具体研究内容如下:针对基于卷积神经网络的目标检测算法的研究,以YOLOv3算法为基础,对该模型结构进行优化设计,利用了比原始算法更加浅层的特征图信息;同时基于像素级数据集Cityscapes生成目标检测标注格式的数据集,然后利用聚类算法对处理后数据集的所有目标尺寸进行聚类,得到用于初始化模型的12个预选框。最后对优化后的模型进行训练并与原始YOLOv3算法进行相比,优化后的模型提高了小目标的检测性能。针对基于卷积神经网络的语义分割算法的研究,通过比较目前主流的语义分割框架,设计了用于本文结合编码器—解码器和空洞卷积金字塔池化结构的语义分割模型框架。其中编码器由Darknet-53和多孔空间金字塔池化结构组成,解码器则同时融合浅层和深层的特征图。最后基于像素级数据集Cityscapes对设计的模型进行训练,实现了在智能驾驶场景下的19类目标的分割。最后,基于前面目标检测和语义分割模型的研究,提出本文的多任务任务模型,其同时具有语义分割和目标检测的两个分支任务。基于同时具有像素级和目标检测格式的数据集Cityscapes对多任务学习模型进行训练,并利用数据验证集和测试集对模型进行性能评价和可视化。实验结果表明,多任务学习模型的分支相比于单任务模型都有着良好的性能表现,多任务学习模型在交通街景中同时可以实现目标的语义分割和检测任务,证明了本文设计的多任务学习模型具有一定的可靠性。