随着智能交通行业的发展,无人驾驶技术已经应用到我们的生活中,而道路检测是实现无人驾驶技术的基础环节。近年来,随着深度学习领域的飞速发展,目标分割方法和视觉注意力方法取得了阶段性进展,并在道路检测方向产生了重要研究成果。然而道路检测任务仍面临严峻的挑战:网络在复杂的场景下的检测仍受路面磨损、灰尘、积水、树木及阴影等杂物的干扰,导致网络的预测能力下降;且注意力机制在道路检测中作为辅助手段,通过矩阵相乘获取注意力信息的方法,占用大量的计算资源并消耗额外的时间,也无法实现对细节特征的调制。因此对城市道路抗干扰检测以及对注意力机制进行研究是十分必要的。目前主流的道路检测方法主要通过扩大感受野、多尺度特征融合、跨层连接等方法提升模型的预测能力,然而上述方法没有从特征自身的优化方向入手,导致提取的特征缺乏抗干扰能力,限制了检测精度的进一步提高。此外传统的卷积层特征缺乏通道间的筛选和大尺度空间上下文信息的提取能力,因而需要补充通道注意力和空间注意力机制模块。但上述注意力模块缺乏细节关注的能力。针对上述研究中出现的问题,本文设计一种基于抗干扰的道路检测网络和新颖的细节注意力模块,来改善道路检测网络的特征抗干扰和细节特征关注能力,本文主要的工作如下:（1）对现有的道路检测研究从目标分割、注意力机制、数据增强三个方面进行归类总结,分别阐述不同方法所对应网络的结构、数据流程和训练损失,并指出现有方法的优势及不足之处。（2）针对网络特征抗干扰能力弱的问题,本文提出基于全局与定域的特征抗干扰检测机制。基于全局的特征抗干扰检测网络由三部分组成:检测器、伪特征生成器和特征鉴别器;检测器负责提取分割道路,伪特征生成器负责生成干扰特征,并按预设比例线性叠加到检测器的中间特征层中,干扰检测器的特征组成降低分割精度;特征鉴别器需保证混合后的特征能够通过真实性鉴别以此约束伪特征生成器;因此伪特征生成器和检测网络、特征鉴别器形成生成对抗关系。这种干扰信息随着对抗训练不断变换,模拟道路在不同场景下可能出现的各种干扰。上述的特征干扰是全局的,面向整幅图像的,而在遥感场景下干扰路面检测的因素均来自道路附近,全局干扰相对冗余。为了进一步增强道路检测的抗干扰能力,本文提出了基于定域的特征抗干扰检测网络:网络移除特征鉴别器结构,仅保留检测器和边缘干扰器。通过掩膜监督边缘干扰器的定向干扰输出。这种掩膜不需人为的标定,由本文提出的干扰变换算法所得,代表着道路边缘可能出现的树木及阴影。将边缘干扰器的输出叠加到检测器的中间特征层中,模拟道路边缘被遮挡的场景,提升网络的边缘抗干扰能力。（3）道路场景具有强空间结构,因此在对道路的检测中需要考虑全局上下文信息,本文设计并提出了两种注意力模块。针对现有的注意力机制在提取空间信息时缺乏对细节信息的增强与抑制,本文提出了细节注意力模块,通过使用深层感知机为像素特征分配调制信号以实现对空间信息的筛选。其次针对目前自注意力机制存在的训练参数少,且计算所消耗的资源和时间均以平方的形式增加,本文提出了具有更高压缩比的变尺度自注意力模块,提高了网络提取变尺度特征的能力。（4）在广西城市道路数据集、慕尼黑数据集与马萨诸塞州数据集上的实验表明,本文所提的抗干扰机制及注意力模块,在车辆行驶场景与遥感场景下的道路分割精度优于领域内主流的方法。综上所述,本文在现有检测网络的基础上加以改进,针对两种道路场景下的分割任务展开分析与研究,首次提出了特征抗干扰的思想,并改进了注意力机制;最后,本文也对未来的工作进行了展望。