近年来,随着深度神经网络和传感器技术的发展,自动驾驶成为了人们的研究热点。环境感知模块是整个无人驾驶系统的关键,其输出的精确度直接影响着下游模块,例如规划、决策和定位。为了提高自动驾驶系统环境感知的性能与可靠性并降低成本,相机-激光雷达感知融合技术受到了越来越多的研究者的关注。然而,激光雷达获取的点云深度图是不规则的无序的,这极大地制约了3D感知技术。为了解决上述问题,稀疏深度补全任务被提了出来,其目的是在高分辨率RGB图像的引导下,将稀疏的不规则的深度数据上采样为稠密的精确的深度数据。稀疏深度补全是环境感知的前置步骤,对补全后的深度图进行语义分割和目标识别是环境感知的必要步骤。然而,对每个深度点进行语义标注,所需要的计算资源太过庞大。小样本语义分割是这个问题的潜在解决方案。小样本语义分割任务是小样本图像分类任务的自然延伸,其目的是在只有少量带注释的训练样本的情况下,对未知类别的物体进行精准的语义分割。本文针对稀疏深度补全和小样本语义分割任务分别进行了深入研究,并且重点探索了如何将深度神经网络应用于这些领域。本文的主要研究内容如下:1.提出了基于新法线图约束的稀疏深度补全算法。受到以前的研究方法中使用法线图作为中间约束的启发,本文提出了新法线图的构建算法。本文提出的新法线图是从深度图中直接构建获取的,不仅包含了各深度点的精确值,还包含了各深度点丰富的相对关系,可以对模型训练和特征融合提供重要的信息指导。基于提出的新法线图,本文构建了基于卷积神经网络的稀疏深度补全模型。本文提出的完整的模型提交时在KITTI深度补全在线排行榜上排名世界第四,在所有已发表的方法中排名第一。2.提出了基于包含区域选择和区域优化的新的图像处理模式的小样本语义分割算法。传统的小样本语义分割模型的图像处理模式是在支持图像的引导下,直接对查询图像进行语义分割。但是这种方式输出的语义分割掩码通常包含错误的区域和噪声。因此,本论文提出了一个新的图像处理模式,即将小样本语义分割任务拆分为两个步骤:区域选择和区域优化。首先,本文提出了基于原型学习的区域选择模块,其可以在查询图像上确定未知类别的物体所处的大致区域。其次,本文提出了基于卷积神经网络和注意力机制的区域细化模块,其可以探索特征的空间结构和特征之间的像素级关系,不断优化选择的区域,最后输出精确的语义分割掩码。提出的完整模型在数据集PASCAL-5i的样本数一和样本数五的任务中分别在m Io U指标上取得了65.2%和70.1%的准确率,与目前最好的方法相比,在m Io U指标上提升1%。