近年来,随着深度学习技术的发展,计算机视觉,自然语言处理和无人车等领域都取得了惊人的进步。其中无人车技术更是各大企业和研究机构发展研究的重要对象。无人车技术通常可以被分为环境感知、规划决策和运动控制三部分。其中环境感知技术是实现无人车技术的关键,环境理解的好坏直接关系到后续功能模块的执行。无人车感知系统的主要任务就是实现对道路场景的理解,保证无人车安全地自主行驶。而场景感知作为计算机视觉领域的关键问题之一,仍然未被完全解决。道路场景的复杂多样性使得对道路场景的理解更加具有挑战性和困难性。本文对无人车道路场景感知系统进行了充分的调查与研究,针对目前道路场景感知高成本的特点,以依靠视觉的低成本解决方案为目标将道路场景感知任务分解为两部分进行:一部分是对道路场景进行语义分割以实现对行人、车辆、道路等多种对象的同时检测,另一部分则是对道路场景进行无监督的单目深度估计。为了实现道路场景的语义分割,本文研究了多种基于卷积神经网络的语义分割模型,并通过实验对比了不同模型的性能,设计了基于全卷积神经网络的语义分割算法模型。通过采用无需学习的方法进行上采样,为了获得更高的分割精度,本文设计添加了跳跃连接能够获得更精细的局部细节特征。为了满足道路场景感知应用良好的实时性和较小的内存消耗的要求,本文对卷积神经网络模型进行了轻量化设计。我们以残差单元为基础,结合扩张卷积方法设计了具有良好实时性的道路场景语义分割模型,并通过采用联合上采样的方法保证了分割精度。同时由于场景真实深度信息获取的高成本和高难度,本文研究了一种无监督的道路场景单目深度估计方法。通过将深度估计问题转变为图像重构问题,并利用卷积神经网络技术结合左右视差一致性约束及多损失联合训练,使得模型可以在不需要标签数据集的情况下预测生成视差图,从而获得道路场景的深度信息。本文在多个公开的道路场景数据上训练并测试了设计的模型,此外也采集制作了自己的数据集,验证了本文设计的模型的有效性。