当今社会对于无人驾驶汽车的需求越来越高,与其相关的技术研发也在高速推进当中。环境感知作为无人驾驶系统中的基础模块,负责给车辆提供精确、可靠的周围环境信息,以帮助车辆识别可行驶区域、躲避障碍物以及规划行驶路径等,是无人驾驶系统中的关键技术。本文主要针对无人驾驶系统中的环境感知技术展开了研究,对环境感知中的多种任务进行了设计、改进与实验验证,其中包括:车辆、行人和红绿灯的检测算法设计;分别基于传统方法和深度学习方法的车道线识别算法的设计与改进;路沿检测算法的设计与验证;提出了一种对检测和分割任务进行多任务融合的方法,此方法中的网络模型可以同时实现障碍物的检测和车道线的识别。详细内容如下:首先,本文设计了一种车辆、行人和红绿灯检测方法,对深度网络结构和公开数据集进行了改进,实验结果显示此方法可以实现对车辆、行人和红绿灯的实时、精确检测,并且对小目标以及光照变化等情况具有很好的鲁棒性。随后,本文设计了一种基于传统图像处理技术的车道线实时检测方法。利用改进后的图像特征和后处理技术,最终可以达到更精确、实时的车道线检测效果。其次,本文利用深度学习技术实现了一种多车道线识别算法。利用场景分割模型以及改进后的识别策略,可以实现很好的多车道线识别效果,并能够应对车道线不清晰、被遮挡以及场景光照变化等情况,文中还对上述两种车道线检测方法进行了分析和对比。再次,本文还进行了路沿检测算法的设计。首先使用本文提出的感兴趣区域方法对激光点云进行预处理,使检测算法的实时性得到提升,然后采用清洗算法对数据进行平滑处理,最后利用滑动窗口检测多个路沿点。结合文中提出的车道线检测算法,通过真实道路测试与验证,此方法可以给车辆提供实时、精确的道路信息。最后,本文提出一个多任务网络,其可以同时完成行人车辆检测任务和车道线识别任务。利用设计的端到端融合网络、多任务损失函数和改进的数据集,此方法实现了对多种障碍物和车道线的同时检测与识别。经过实验验证,此方法在几乎不损失识别精度的情况下,可以有效的提升实时性并减少对硬件的需求、消耗。