车路环境感知技术作为自动驾驶辅助系统的关键组件,是决策与控制的基础和安全行车的保障。基于视觉的环境感知技术因其所含信息量大、硬件成本较低等优点在交通领域得到了广泛应用,尤其是近年以来,深度学习在图像处理方面取得了重大突破,为解决车路环境的智能感知问题提供了新的思路。而现有基于视觉的车路环境感知技术大多针对光照及天气良好的情况,并依赖可见光成像设备,其对特殊环境的适应性不高,对非常态低能见度环境的感知方法仍鲜有报道。本论文结合多模视觉成像和深度学习对低能见度车路环境感知的关键技术进行了深入的研究。在研究过程中,本文首先在分析低能见度车路环境介质散射特性的基础上,结合场景中目标的红外和偏振特性,设计了复杂介质环境下的成像方案并搭建成像系统;其次对获得的源图像进行了相关的预处理,其中包括图像的降噪以及增强,然后针对多模图像配准特征缺乏一致性问题,利用结合感兴趣区域的绝对相位方向梯度直方图法对图像进行配准;接着创建多模低能见度车路环境数据集,并制作精细标签,实现了两种基于编码-解码结构的车路环境分割算法,通过使用占比加权的方法解决了数据集样本严重失衡问题;最后针对现有分割算法中存在的无法充分利用多模图像特征问题,提出了多分支输入编码-解码模型,在最大程度保留图像偏振以及红外特性的基础上,同时输入相同车路场景的偏振以及红外图像至编码器部分,并在编码部分将特征提取器替换为轻量级网络,提取各自特征后在解码部分进行合并,在保证多模特征充分提取的情况下将二者以协同的方式聚合在一起,以提高低能见度情况下车路场景的语义分割效果。本文利用采集到的车路图像对所提算法进行验证,实验结果表明基于多模视觉特征进行车路环境语义分割的效果优于单模态特征的效果。因此,将多模视觉图像应用于低能见度车辆-道路场景的分割,可以为低能见度下的车辆安全驾驶辅助系统的视觉感知技术提供有力保障。