近年来,人们对汽车的驾驶操控安全性提出了越来越高的要求。由于实际驾驶中道路场景的复杂多变性,使得目前还没有一个识别准确度高、实时性好、鲁棒性强的方法较好的解决道路路况图像识别的问题。因而,精确快速地对车辆行驶前方道路路况进行检测识别,并在道路条件存在安全隐患的情况下做出及时准确的预警信号,对人们安全驾驶出行具有重大现实意义。目前图像识别方法主要采用人工提取特征后放入机器算法中进行判断识别,步骤繁杂且耗时多。而深度学习视觉算法提供了一个好的解决思路,它把道路图片特征提取与判断识别合并到同一模型中,自动提取图像特征,简化了判断识别步骤,减轻了人的工作量。本文以汽车驾驶道路状况图像识别问题为研究对象,在查阅国内外相关领域文献的基础上,主要针对道路状态图像识别中存在的以下两个问题展开了研究:道路图像的光照强度不均问题,单尺度Retinex(自适应)图像增强算法因为光照强度的变化导致图像存在光晕现象和图像细节表达不明显问题,提出一种基于改进型单尺度Retinex算法的彩色图像增强技术。首先,使用加权最小二乘法对原始彩色图像进行细节增强。然后对原始图像进行改进的单尺度Retinex处理。对处理后的图像层和细节图像层构造增益系数,并进行重构输出一张新的合并图像。实验结果表明,所提算法能够有效去除光晕现象,并使图像细节更加突出,对深度学习中特征量的提取有较好的提升。深度学习方法提高识别准确率问题,针对在智能驾驶中道路识别需要较快的实时性和较高的准确性,传统的图像分类识别技术不能很好的满足该需求,且卷积神经网络模型中一个适合的激活函数对识别结果有重要的影响。基于此,提出一种基于深度学习的路面路况类型分类方法,并在此基础上结合Re LU激活函数构造一种新的激活函数。实验结果表明,改进激活函数的深度学习模型对建立的道路状态数据库分类识别准确率达到94.89%。经过在通用数据集上试验比照,证明基于改进后激活函数构造的卷积神经网络,具有较好的泛化能力和良好的分类准确度。