无人驾驶汽车作为智能车最终的发展方向,它的安全行驶依赖对周围环境的准确理解。现实环境中,存在大量道路特征不明显的非结构化道路区域,基于道路模型的道路识别方法具有一定的局限性。基于可通行区域的像素级别的区域分割可以很好避免模型假设带来的局限性。通过对获得的数据进行像素级别的语义分割,划分出图像中的可通行区域,对于道路识别尤其是非结构化道路识别具有重要意义,可以为智能车提供准确的可通行区域,提高智能车行驶的安全性。本文提出了一种基于深度学习和数据融合的非结构化道路识别算法,主要目的是提取出道路的可通行范围,具体的过程为:(1)对KITTI数据集进行预处理,得到训练用的图片和标签,对点云进行多余点筛选和空间投影。(2)建立FCN-8s模型,利用处理后的数据训练模型,得到用于分割的深度学习模型并进行分割和特征提取。(3)利用处理后的点云,根据高度信息和横向信息分割出落在路面上的点云,之后利用alphaShapes算法提取出点云的边界,通过判断像素是否在边界内来获得道路分割。(4)利用深度学习得到的数据和点云的分割结果,构建马尔科夫随机场模型,并利用迭代条件峰值算法求解能量函数的全局最小值,能量最小值对应的像素状态就是最终的分割结果,并利用行业内常用的指标对深度学习分割结果、马尔科夫随机场模型分割结果进行评价和对比。