面向复杂环境的智能驾驶技术是当前的研究热点和难点,该技术涉及环境探测、导航定位、路径规划及控制决策等,其中环境探测是系统规划层和决策层的基础,是保障安全性的前提。视觉感知作为环境探测技术领域核心研究内容,在环境分析中发挥着至关重要的作用。论文以车载环境为背景,开展视觉运动目标的检测、认知度评估和跟踪等感知处理方法研究,具有重要的意义和价值。论文研究了基于深度学习图像处理的目标检测算法,结合实时性好的YOLO v2算法开展研究。针对图像在复杂光照环境下由于质量下降而检测精度不足,设计了一种基于色彩空间转换的融合同态滤波和直方图均衡化的方法对图像进行质量增强,增强检测模型鲁棒性;对目标检测输出存在的非极大值抑制缺陷,改进边框置信度调整策略,增强算法检测精度;并根据实际场景利用聚类算法对目标先验框数量和尺寸进行优化设计,使其训练检测过程更具针对性。论文针对环境中存在大量目标及重要度不一所引起的决策难度大问题,基于态势评估理论研究了目标认知评估和排序。针对不同评估方法的结果存在非一致性的问题,研究了基于相关性优化的综合评估方法,通过不同结果之间的Spearman等级相关系数构造加权排序矩阵,构建最大值模型将其转化为0-1整数最优规划问题,有效提高目标排序结果的准确性和合理性,为将有限的计算资源应用于重要目标的有效跟踪奠定了基础。论文研究了基于多维特征融合的抗遮挡目标跟踪算法,针对单一颜色特征的均值漂移算法易受光照影响、背景干扰及遮挡影响,研究了非均匀量化改进颜色特征和三值融合纹理特征,通过反向投影方式巧妙构造特征融合模型,增强算法鲁棒性和跟踪精度;并针对目标遮挡部分特征丢失问题,设计了变尺度分块窗口搜索方法保证遮挡情况下的目标定位精度。最后,论文搭建了算法验证硬件平台,根据实际交通场景下采集的车载视频数据建立不同场景下的视觉运动目标检测跟踪图像序列,对图像中目标位置进行人工标注工作。从准确性和实时性两个角度,将论文研究的目标检测跟踪算法与相关方法进行性能对比,验证了论文研究方法的有效性和可行性,为实际工程应用奠定了基础。