地图构建与定位是无人驾驶研究领域的关键技术之一。基于激光雷达及其它传感器构建高精度地图是当前的主流方式,然而受传感器性能及成本等限制,再加上无人车行驶环境的复杂性,使得高精度地图存在构建难度大、维护使用成本高、对环境变化的鲁棒性差等缺点。为了解决这一问题,本文以无人车视觉导航为应用背景,重点研究了基于视觉的多分辨率地图构建与定位技术,主要包括基于卷积神经网络的特征提取方法、基于非均匀分布地图基元的多分辨率地图构建与定位方法,以及面向多车道的多分辨率分层地图构建与定位方法等。论文主要工作如下:1)面向多分辨率地图构建与视觉定位的应用需求,研究分析了现有的图像特征提取方法,并从特征可分性和聚类效果出发,分别对“SIFT+BoW”直方图特征、HOG特征、GIST特征和卷积神经网络提取的特征进行性能对比实验。实验结果表明,卷积神经网络提取的图像特征包含了更加抽象综合的环境信息,可用于多分辨率地图的构建与定位。2)提出并实现了一种基于视觉的多分辨率地图构建与定位方法。该方法借鉴人类导航定位经验,首先引入了非均匀地图基元Cell的概念;然后利用序列图像的位置关系作为先验约束信息,结合卷积神经网络和聚类算法进行地图基元划分,据此构建了基于视觉的多分辨率Cell地图;最后通过训练基于卷积神经网络的定位器,实现了面向地图基元的实时视觉定位。实验结果表明,该方法可以在不同环境下自适应地划分地图基元,定位正确率可达95.7%,平均定位时间为5.4ms。3)提出并实现了一种面向多车道的多分辨率分层地图构建与定位方法。该方法首先给出了一种结合先验信息和Cell地图的基元分层标注算法,据此形成了面向多车道的多分辨率分层地图;然后提出了一种基于ResNet的分层定位网络,实现了通过浅层特征进行车道定位,深层特征进行车道内Cell定位的功能。实验结果表明,该方法可以取得更好的实时定位效果,定位正确率可达96.78%,平均定位时间为7.3ms。