随着人们生活水平的提高,车辆的普及程度越来越高,随之而来的交通事故也越发频繁。据统计,25%～30%的交通事故与驾驶员对道路的警觉程度直接相关,其中并线过程是交通事故的主要发生场合之一,而在非结构化道路,行人及其他非机动车车辆共享道路,驾驶的安全性完全依靠驾驶员的注意力集中度,因此而产生的交通事故也屡见不鲜,这些都给汽车行业的发展带来了巨大的挑战。为解决上述问题,且基于语义分割应有的特性,即具有多尺度或关系上下文特征、全局对局部的指导性和自适应性,本文提出了两种基于语义分割的道路可行驶区域检测方法,MDSnet和MAnet。为了验证两个新的模型正确性,我们进行了仿真实验。实验结果表明两种方法的准确度和交并比均优于传统模型。此外两种方法比较,第二种方法的准确度和交并比要比第一种方法更高,说明MAnet模型更具有实用性。论文主要研究内容如下:本文提出了MDSnet（Multi-scale deep supervision network）的可行驶区域检测模型。针对于可行驶区域远近尺度变化大,以及在不同场景尺度不一的问题。该模型使用主干网络提取的特征,将特征分层送入两个不同的提取分支,一个分支将最后一层的特征经过金字塔池化,获得多尺度特征;另一个分支将中间层的信息分别传入我们设计的全局深监督模块,充分利用主干网络提取出的不同层次的信息,获得全局特征。此外,为了更好地适应可行驶区域的检测,两个分支模块分别加入了各自的权重,使得该模型能够自适应地调整两部分特征的比例。为了验证该模型的准确性,利用了BDD100K数据集及自己现场采集的数据集进行验证,验证了对直接和间接可行驶区域的检测能力。实验结果表明,此算法能够较准确的对尺度不一的、包含多种天气和路况的道路的可行驶区域进行检测,为驾驶提供帮助。此外,我们还建立了MAnet（Mixed-attention network）的可行驶区域检测模型。针对可行驶区域与背景样本不均衡的问题,该模型从另一个角度切入,利用注意力机制,形成从关系上下文提取信息的可行驶区域检测方法。整个网络由通道域模块和空间域模块构成,来对网络的需要强调的特征进行加强,而忽视非主要部分。通道域模块主要由上下采样来提取全局的上下文信息,并与原特征共同生成通道域权重;空间域模块主要采用了非局部网络,产生的特征与原特征共同生成空间域权重。两个模块均赋予可学习的权重,使得网络具有自适应性。此外,采用BDD100K数据集及国内现场采集的数据,对直接和间接可行驶区域进行检测,实验结果表明,该模型可以解决样本不均衡问题,识别包含多种天气和路况的道路的可行驶区域。本文还分别对这些区域设计了权重均衡策略、数据增广方法、和网络参数策略,此外还对相应的模块和技术进行了消融实验的比较和讨论。实验表明,本文提出的两种方法均能达到好的准确率和交并比,并且MAnet模型要优于MDSnet。两种模型都可以较为有效地解决行车场景中可行驶区域尺度变化、可行驶区域与背景类别不均衡与多天气及路况场景的问题,为后续辅助、自动驾驶系统的其他任务奠定了基础。本文共有图56幅,表17个,参考文献89篇。