随着经济发展水平的提高,汽车的数量持续攀升,交通事故的发生率也不断增加。智能辅助驾驶系统可以通过给驾驶员提醒和指导来降低交通事故的发生率。基于视觉的道路检测是智能辅助驾驶系统的关键,不仅能够为障碍物检测提供线索,也有利于车辆路径规划。由于道路场景复杂多变,道路检测结果易受光线、水渍、阴影、障碍物等因素的影响。因此,针对复杂场景下的道路检测算法成为现在研究的热点。为了提高现有道路检测算法的准确性和鲁棒性,本文提出了一种结合CNN(卷积神经网络)和MRF(马尔科夫随机场)的道路检测方法。首先利用简单线性迭代聚类方法将原始图像分割成大小均匀的超像素,在降低后续处理计算复杂度的同时,有利于提取局部特征和保持目标边界信息。然后,针对传统分类器需要人为设计特征在复杂场景下适应性不好的问题,利用CNN可以从大量样本中自动学习数据集本质特征的能力,在基于超像素分割得到的样本集上设计合适的网络结构并训练网络模型。使用训练好的网络模型对道路区域和非道路区域进行分类;最后,为了进一步提高检测结果的准确性,根据超像素邻域之间的关系,利用MRF模型对CNN分类的结果进行优化,从而实现前方道路区域检测。在公开数据集上进行定量和定性分析,实验结果表明本文方法在复杂场景下能够有效的检测出前方道路区域,具有较好的准确性和鲁棒性。