近年来,作为高级驾驶辅助系统中的一个重要组成部分,自动泊车系统逐渐成为自动驾驶领域的一个研究热点。在车辆上配备自动泊车系统能够有效避免泊车时发生的刮擦事故,同时减少驾驶员泊车所需要的时间。其实现主要包括泊车位检测、路径规划和车辆控制三个部分,作为实现精确自动泊车的第一步,泊车位检测的精准度显然十分重要。目前,泊车位检测主要使用基于视觉的检测方法,然后使用距离传感器检测静态物,确定泊车位占用情况。这种方法需要将车位标记的识别结果和障碍物识别结果进行融合,并且检测精度受环境和天气影响较大。针对以上提出的问题,本文提出一种语义分割泊车位检测方法,该方法能够快速有效地检测出全景环视图像中的泊车位,并且模型的检测精确度不会受到环境条件影响。本文的主要研究内容如下:第一,数据集制作与数据增强。目前,用于语义分割的带有泊车位标记的公开数据集较少。本文基于泊车位数据集ps2.0,制作了用于语义分割的带泊车位标签的数据集ps2.0-SS,数据集包括了在室外正常日光、室外雨天、室外阴影、室内停车场等六种不同场景下的3000张全景环视图片,并采用数据增强方法将数据集扩大至45000张。第二,将基于全卷积神经网络的语义分割方法应用至泊车位检测中。基于对多种语义分割模型的研究,总结出语义分割目前存在的技术难题以及其各自对应的优化方向。构建对比实验,利用数据集中的训练集对U-net、HFCN、VH-HFCN网络及本文提出的网络进行训练得到语义分割模型,通过超参数调节获得最优权重,并对测试集内的图片进行测试及结果对比分析。第三,提出一种基于全卷积神经网络的语义分割模型DVH-U-net。本文进行了网络结构设计、损失函数设计及模型优化方法设计。模型包括三个部分:用于提取特征信息的下采样部分,用于恢复空间分辨率的上采样部分以及用于组合不同尺度特征图的多重预测部分。首次提出带有膨胀卷积的线性卷积模块,能够有效地提取线性特征。多重预测部分通过组合不同尺度的特征图,更好地融合了深层特征与浅层特征。实验结果证明,本文提出的DVH-U-net在ps2.0-SS数据集上取得了88.69%的像素准确率,相较其他语义分割模型提高了2.33%-2.56%,具有更好的精确度及更强的鲁棒性。