在自主式地面车辆组成单元中,环境感知作为自主车系统获取外部信息的入口,在整个自主车技术组成单元中扮演着“基石”的角色,直接决定其自主驾驶的能力和智能化水平,一直是研究的重点和难点。在非结构化环境下自主车环境感知相关技术的研究中,准确鲁棒的道路区域检测和障碍物检测是实现自主行驶的基础。本文对以上两方面展开了相关研究工作:针对道路区域检测问题,从特征窗口设计和道路区域检测框架两个角度出发,分别提出一种基于超像素分割算法的特征窗口划分方法以及一种基于多尺度超像素的非结构化环境道路区域检测方法;针对障碍物检测中负障碍物检测问题,提出一种基于多激光雷达与组合特征的负障碍物检测方法。具体地,本文研究内容及创新点包括以下几个方面:(1)由于光照变化、植被杂乱、路面材质多样、道路边界模糊等影响,在非结构化环境采集的不同图像区域之间内容和纹理差异较大,传统超像素分割算法难以取得优异特征窗口划分性能。本文提出一种基于局部竞争机制的超像素分割算法,通过采用局部竞争机制来构造能量项及优化整体能量函数,使得算法能够根据图像内容和纹理进行自适应调整,进而提升对不同图像区域分割的鲁棒性。(2)针对同类目标在不同超像素特征窗口中易出现表观特征不一致的问题,提出一种面向超像素的表观特征提取方法。分析比较了基于超像素特征窗口的不同颜色、纹理特征分类表现,提出一种适应于非结构化环境的多表观组合特征。进而针对非结构化环境下道路区域检测问题,提出一种条件随机场框架下基于多尺度超像素的道路区域检测方法。该框架首先对图像进行多种超像素尺度的分割;其次使用XGBOOST分类器进行分类,生成多个基于不同超像素尺度的道路概率图:然后在利用道路概率图进行能量项计算时,采用像素点与超像素间的颜色相似度来进行加权;最后通过融合多个尺度下的加权能量项作为条件随机场数据项的输人,实现道路区域分割。在非结构化环境下的实验结果表明,本方法具有良好的道路区域检测性能。(3)针对非结构化环境下负障碍物检测问题,提出一种基于多激光雷达与组合特征的负障碍物检测方法。首先,针对单激光雷达覆盖区域有限以及分辨率较低的缺陷,设计了一种具有互补能力的多激光雷达安装方式。其次,根据激光雷达的安装方式,提出了一种基于组合特征的负障碍物检测方法。该方法不依赖大地平面假设以及点云数据的高差,而是基于点云数据的局部几何与分布特征来进行负障碍物检测。再次,从时空融合角度,采用贝叶斯法则对多传感器多帧负障碍特征点对进行融合。最后使用DBSCAN对融合后的特征点对进行聚类,并将聚类结果栅格化,提取负障碍物区域。实验结果表明,本方法在非结构化环境下具有良好的负障碍物检测性能。