经济的快速发展带动了汽车的迅速普及,汽车在便利交通的同时也给社会带来了能源、环境、安全、拥堵等亟待解决的问题,继而推动了社会对于无人驾驶汽车技术发展的需求。现阶段,无人驾驶技术已经成为各大高校及车企研究的热点问题。本文主要研究了无人驾驶技术中环境感知环节中的一部分,通过分别设计检测算法实现了对行车过程中周围车辆的检测以及类结构化道路中车道线的检测。根据深度卷积神经网络可以自适应学习到车辆特征的特性,本文设计使用基于深度学习的端到端实时目标检测系统(YOLOv2)来实现对行驶场景中车辆目标的检测。首先,搜集大量待检测目标的数据集,通过Darknetl9预训练出一定的模型权重参数,然后使用实际行车场景图中标注好的车辆数据集,通过YOLOv2网络结构训练车辆检测模型。基于YOLOv2网络结构,通过使用定义IOU偏差的均值聚类方法获取待检测车辆目标的最佳anchor高宽维度比,使用非极大抑制得到最佳预测框图,在网络最后一层直接回归预测车辆目标的位置。经过多次迭代运算,训练出权重系数较优的车辆检测模型。通过对实际行车数据集和人工采集的道路场景图进行仿真测试,证明该检测模型能够在光影反射、小部分遮挡和不同视角变换的影响下快速而准确的检测到场景图中的车辆目标。针对车道线的检测,综合考虑采用传统图像处理的技术来进行检测。首先,提出了图像最优边缘信息提取的算法处理流程:加权平均法灰度化处理、中值滤波降噪、局部自适应阈值二值化、canny边缘检测算法。在采用动态区域划分感兴趣区域时,提出了一种改进的权值聚类检测消失点的方式,能够有效的提取感兴趣区域且减少有用待检测信息的丢失。之后,采用搜索像素点邻域位置分配权重系数的方式来二次滤除边缘噪声,最后使用最小二乘法完成车道线模型的拟合。通过对类结构化道路上采集的图像进行仿真测试,结果表明本文设计的车道线检测算法能够克服光照阴影以及道路干扰等因素的影响,稳定实时的检测出车道线。之后,融合车辆和车道线两类检测算法,实现汽车可行驶区域的初步预判。