无人驾驶汽车能够避免交通事故的发生、减少交通拥堵提高交通效率、释放双手提高社会生产力,因而其相关技术受到广泛的关注。无人驾驶汽车是一个复杂的系统,主要由感知、决策和控制这三个部分组成,而感知是其中极其重要的一环。通过装备在汽车上的摄像头、激光雷达、毫米波雷达等传感器感知周围的道路环境并快速准确的获取自身位置和周围目标的位置、大小和运动方向等信息,从而保障无人驾驶车辆安全平稳的行驶在道路上。在道路交通感知方面,传统方法大多处理单一的道路场景,难以应对复杂环境,如道路边缘模糊、目标遮挡和光照变化等道路情况。此外,基于浅层的人工设计特征难以表达物体内在的抽象语义特征,导致检测和识别路面标识和周围目标的精度难以达到无人驾驶汽车对安全的要求。深度学习采用多层神经网络通过大数据学习得到的特征比传统人工设计的特征拥有高度抽象性,使其能够更好地应对复杂环境,并获得更高的检测和识别精度。本文将深度学习技术应用到无人驾驶汽车的感知任务中,主要通过研究车道标识线检测和三维目标检测方法,以达到快速准确感知自身位置和周围目标的三维信息的目的。本文的具体研究内容如下:(1)针对无人驾驶汽车需要获取高精度的车道标识线位置信息的问题,提出了一种基于结构分析的车道标识线检测方法。该方法利用逆透视变换和图像滤波以降低场景图像中透视效应引起的精度损失,增强图中路面的车道标识线区域,利用设计的卷积神经网络准确识别局部车道标识线区域,并根据车道标识线在空间中存在的几何连续性以有效识别车道标识线。(2)针对图像逆透视变换的局限性和基于密度聚类的后处理效率低下问题,提出了一种基于偏差回归指导的车道标识线检测方法。该方法采用引入权重的方式消除透视效应的影响,以有效预测车道标识线的局部偏移,根据网络输出车道标识线相邻位置的偏移关系,通过构建类似基于密度聚类的方式获得每条车道标识线的实例。该方法在不使用逆透视变换的情况下,能够精准地检测车道标识线。(3)基于单阶段的三维目标检测算法检测缺乏形状先验导致其检测精度低于具有形状先验的两阶段三维目标检测器,为此,提出了一种基于注意力机制的三维目标检测方法。该方法通过三维体素特征的方式表征激光雷达点云,使用卷积神经网络构建特征金字塔网络获取物体不同尺度的特征,并通过预先定义的区域注入基于顶视图注意力机制的方式编码目标物体的形状特征,从而改善基于单阶段三维目标检测器的性能。(4)由于前序工作因三维目标检测网络基础结构限制,无法将三维形状先验引入网络中而导致检测性能不足的问题,提出了一种基于三维形状注意力的三维目标检测方法。该方法通过均匀采样和引入重叠机制的方式弥补激光点云数据存在的稀疏性和不均匀性,修改三维稀疏卷积层改善前序工作在三维空间编码时损失高度信息的问题,在局部空间构建顶视图和高度方向上的两个注意力模块获取三维形状特征编码,从而进一步提高三维目标检测的性能。