环境感知是智能驾驶技术的关键组成部分,其关键性在于使自动驾驶车辆更好地模拟人类驾驶员的感知能力,从而理解自身与周边的驾驶态势,为决策与规划环节提供必要信息。自动驾驶车辆行驶在道路上,路面环境信息对其安全行驶至关重要,路面障碍物检测是智能驾驶环境感知方向的重要研究内容。由于行驶的车辆一般具有较高的速度,所以自动驾驶车辆要尽可能地提前检测路面环境,这就要求智能驾驶车辆的环境感知系统具有检测远距离路面障碍物的能力。目标检测领域的研究由于深度学习技术的兴起而得到迅速发展,涌现了许多基于深度学习的目标检测优秀算法,这些优秀的算法使得目标检测的速度和检测精度都有了很大的提高,但是现有的目标检测算法对小物体的检测效果却不尽人意。此外,目标检测领域对于结构化道路上远距离小物体检测算法的研究寥寥无几。本文研究了基于深度学习的目标检测算法的工作机制和目前主流的目标检测算法。由于本研究需要大量的数据来训练神经网络模型,并且与本文研究相关的现有的数据集都太小,不能满足实验的要求,所以本文针对自己的研究内容分别在现实环境和虚拟环境采集了目前该研究方向最大的数据集,并进行了详细的标注。此外,受Seokju Lee等人提出的VPGNet的启发,本文提出了一种基于全局特征的道路消失点检测模型RVPGNet,该模型在测试集上得到与消失点真值的距离在64和128个像素之内的检测准确率分别为90%和99%,满足了实验要求。本文把该道路消失点检测网络整合到目标检测网络中得到一种新的小物体检测模型LDRODNet,该模型以道路消失点为先验知识找到图片中存在物体的区域,然后对该区域进行检测,在提高检测准确率的同时降低了计算量。LDRODNet在测试集上的AP_S比目前最好的目标检测网络高出约4个百分点。