智能驾驶环境感知是车辆决策和控制的关键依据,如何识别车辆可行驶区域是其中的一项重要研究内容。一方面,交通行驶环境复杂、多变,车辆可行驶区域的识别一直难以取得理想的效果;另一方面,智能驾驶对识别算法的准确性和实时性要求很高,导致算法的实际应用条件十分严苛。本文以车辆可行驶区域为研究对象,通过对深度学习算法改进和优化,并运用双目立体视觉求取三维驾驶场景的空间信息,提出了一种新型基于卷积神经网络(Convolutional Neural Network,CNN)的语义分割方法,以期实现智能驾驶场景下车辆可行驶区域准确、高效的识别。论文主要工作如下:(1)语义分割的关键技术依赖于图像特征。鉴于卷积神经网络优越的特征提取性能,构造一种基于CNN“编码器-解码器”架构的语义分割模型,用于提取可行驶区域的图像特征。考虑到工程实际对实时性的要求,对网络深度进行浅层化处理。同时,为了保证模型识别准确率,从网络“宽度”改进和优化,提出了Ournet网络模型,识别车辆可行驶区域。(2)为获取智能驾驶场景下道路的空间几何信息,通过双目立体视觉在图像RGB特征的基础上增加深度,建立RGB-D数据集,为识别模型提供更加丰富的学习特征,并对研究提出的Ournet语义分割模型进行了测试验证,使模型更加关注空间几何信息。实验结果表明:在智能驾驶场景下,提出的浅层语义分割Ournet对车辆可行驶区域具有更好的识别准确性、快速性和鲁棒性;在图像RGB基础上增加的道路空间几何特征提高了语义分割算法的识别性能。