车辆智能化已经成为现代汽车行业发展的必然趋势,而环境感知技术是实现车辆智能化的基础和关键,其中道路可行驶区域检测是环境感知研究的重点内容,是决定智能车辆自动化水平的核心技术之一。随着深度学习的兴起,深度卷积神经网络在目标识别方面相关研究取得的显著成果直接影响并促进了智能汽车环境感知技术的发展,但由于网络的性能受其空间和时间复杂度的制约,这种矛盾导致现有的深度网络应用于智能车辆时难以同时满足环境感知系统对精度和速度的要求。因此,在当前深度卷积网络的理论研究深度及车载传感器技术的发展水平下,基于深度学习实现具有鲁棒性、准确性、快速性的道路可行区域检测算法仍是一项极具挑战的任务。在上述背景下,本论文依托辽宁省教育厅重大科技平台项目《基于车用雷达与视觉传感器信息融合的环境感知技术研究》（JP2016018）,重点围绕“人—车—路”环境系统,基于深度学习方法对可行驶区域检测中的关键技术:路面检测、行人目标检测以及多目标联合检测展开研究,论文具体研究工作包括:（1）路面检测是可行驶区域检测的核心内容,快速准确的路面检测结果是智能车辆进行轨迹规划的基础和保障汽车安全行驶的关键。针对现有基于深度学习的路面分割方法由于采用多层级递推的金字塔结构和注意力机制导致网络复杂度高、计算效率低的问题,提出一种空域注意力迁移机制的路面分割方法。该方法根据卷积神经网络层间特征的分布规律,将Non-local空间注意力机制与通道注意力机制相结合,采用先合后分的策略实现将底层特征中蕴含的空间远程依赖关系赋予顶层特征,有效地提高了特征的感受野并降低了计算量。同时设计了一种1×1卷积核随机失活方法,实现有效利用注意力机制的前提下避免网络过拟合。在Cityscapes数据集上的测试结果表明,本文所提出的方法相对于现有同类方法在保持较高路面检测精度的同时显著提高了检测速度,并在跨数据集测试中表现出较好的泛化能力。（2）行人检测是可行驶区域检测的重要内容,实时精准的行人检测结果是智能车辆进行行为决策的依据和避免造成人员伤害的前提。针对现有基于深度学习的行人检测方法采用的级联多特征融合结构无法充分发挥各自优势导致对目标遮挡及表观状态变化的鲁棒性差的问题,提出一种级联自适应提升算法联合深度卷积网络的行人检测方法。该方法设计了一种级联AdaBoost分类器作为区域候选方法与CNN结合构成两阶段目标检测网络。采用快速聚合通道特征金字塔以高效获取多尺度特征,利用级联AdaBoost逐级递进式筛选正样本的特点设计一种负样本回捡策略,对难检样本按一定比例随机选出并送入到CNN中检测,实现了级联AdaBoost与CNN之间效率与精度的优势互补。在Caltech数据集上的测试结果表明,本文方法与同类方法相比漏检率显著降低的同时保持较高的检测速度。在实际采集的校园行车视频上进行的跨数据集测试中对行人的变化具有较好的鲁棒性。（3）在上述研究的基础上,针对当前视频处理的多任务方法逐帧特征提取存在大量冗余计算所导致实时性难以获得进一步提升的问题,提出一种空间相关特征传播的多任务检测算法。利用视频中帧间图像的相似性,设计一种空间相关引导的特征传播方法,通过Sobel算子得到表征空间变化的偏移量,利用该偏移量对关键帧的高层特征进行可微分的双线插值得到非关键帧的高层特征,有效地提高了特征提取的总体计算效率。以该特征传播方法为基础构建了路面分割与车辆、行人检测多任务网络框架,利用高层特征一致性约束设计辅助训练网络增强特征传播网络的参数训练,提升了特征传播网络对特征变化的建模能力。在具有代表性的KITTI和Cam Vid数据集的测试显示,本文所提出的方法在路面分割及行人、车辆检测上分别取得了与当前最新水准算法相当的精度但速度取得了明显的提升,在实际采集的城市道路视频上进行的跨数据集测试中对路面阴影、行人的变化具有较好的鲁棒性。