随着经济的高速发展,交通事故呈现出高发态势,而高级辅助驾驶系统和自动驾驶在保障道路交通安全中,发挥着极其重要的作用。道路检测是车辆决策和执行的基础,为后续辅助驾驶或自动驾驶任务提供了强有力的保障。然而,道路检测通常面临着包括天气、光照变化以及阴影遮挡等的干扰,难以获取稳定、鲁棒的道路检测结果。大数据时代的到来和传感器的发展,使得通过多源数据融合的方法来获取更加可靠的结果成为一种趋势。本文通过将激光雷达点云数据和视觉图像数据两种异源数据相融合,实现一种稳定的道路检测方法。主要研究内容如下:(1)针对道路检测问题,对激光点云数据和图像数据进行预处理,建立两种数据间映射关系,完成两种数据的数据级融合,并通过颜色空间转换,减少光照变化对图像数据道路检测的干扰;(2)针对道路边沿检测方法检测精度与计算效率无法兼顾的问题,提出基于激光点云转向的道路边沿检测方法,结合道路区域特征以及激光点云不受光照干扰的优点,添加点云转向,并基于带L2正则的最小二乘法自适应的拟合道路边沿,实现了一种简单高效的道路边沿检测方法;(3)根据激光雷达点云数据以及视觉图像数据的结构特点与数据存储方式,分别选择并设计了激光点云与图像的道路特征,同时构造结合两种数据优势的特征。此外,基于FCN思想提取深层抽象特征,充分挖掘数据价值。通过将激光点云数据与视觉图像相结合,将手工构造的带领域知识的浅层特征与基于深度学习提取的深层抽象特征相结合,提高道路检测算法鲁棒性;(4)构造混合条件随机场(Mixed Conditional Random Field,M-CRF)用于道路检测,基于随机森林构造两种数据源的一元势,结合激光点以及像素点邻域特点改进成对势,设计混合连接关系,完成混合条件随机场的构建,实现两种数据源的决策级融合。基于M-CRF的异源数据融合道路检测方法,实现了激光点云数据和视觉图像数据的多级融合,在KITTI数据集上进行测试验证,基于M-CRF的道路检测方法可获取稳定鲁棒的道路检测效果。