近年来,交通事故频发,为了保障出行安全,随着深度学习和计算机技术的发展,自动驾驶技术成为道路交通安全领域的研究热点之一。自动驾驶环境感知以及驾驶场景三维重建仿真对保障自动驾驶安全十分重要,本文围绕这两个任务,展开以下研究:首先构建了二维目标检测及（道路）语义分割融合模型（后简称融合模型）。融合模型包含3个子模块:特征提取模块（残差网络）、二维目标检测模块和（道路）语义分割模块。针对融合模型提出了“1-”交替训练策略,以便二维目标检测和语义分割两个子任务之间可以相互借鉴特征,从而提高模型鲁棒性。实验结果表明,交替训练策略相当于借助标注成本较低的二维目标检测数据作为辅助数据源来学习数据分布,减少了对标注成本高昂的语义分割数据的需求,达到了数据增强的效果。融合模型收敛速度快,提高了目标检测结果的置信度,提高了（道路）语义分割准确率,并在KITTI自动驾驶数据集上进行了验证。然后基于深度学习方法实现了三维目标检测模型。三维目标检测模型将激光点云数据预处理为鸟瞰图,将其输入卷积神经网络得到特征图,然后基于YOLO模型改进输出层,在预测目标对象类别及在鸟瞰图中位置的同时预测目标对象姿态,目标对象姿态指的是目标对象的朝向和相机坐标系(3轴的夹角。之后将检测结果映射到三维空间,从而完成三维目标检测。与其它模型相比,本模型在保证检测精度的同时,提高了检测速度。最后实现了基于数据驱动的驾驶场景三维重建仿真平台。首先通过目标检测模型得到驾驶场景中目标对象的位置、姿态等信息,然后从三维模型库中读取相应3D模型展示在三维虚拟场景中,并根据道路语义分割结果渲染道路区域,从而实现驾驶场景的三维重建。该方案可以快速复现真实驾驶场景,可用于自动驾驶虚拟仿真,对降低路测成本和保障驾驶安全意义重大。