随着人工智能技术的不断发展,障碍物检测系统是自主机器人、智能交通系统、驾驶员辅助系统等领域发展的关键。障碍物检测应用于各个方面,需要高精确度和高实时性。目前的研究工作多数是针对室内或者公路上的检测,当环境是比较复杂的野外环境时,应用场景不同,障碍物类型也不一样,因此导致基于道路平面性假设的障碍物检测方法难以应用。有关深度学习算法的应用态势迅猛,其在检测的精确度上具有较大的优势,使得目标检测,视频跟踪等多个领域的研究全面开展。构成深度学习的是一些非线性的计算单元,这些单元组成多层次结构,在运算过程中将前一较低层的输出数据输入到更高层的网络,通过分析学习到关键的表示信息,从图像中提取深度信息,可以应用于一些具体问题,如分类、回归与信息检索等。本文为了弥补障碍物检测技术的局限性,在识别精度、实时性和设备等方面进行了研究和改进。研究了一种运用卷积神经网络(CNN)技术来对野外环境下障碍物进行检测的算法。首先,为了提高识别效率,改进了区域生长法中的最大方差法来提取感兴趣区域(ROI),标注疑似为障碍物的区域,并且对其进行分割,能够缩小检索范围。其次,本文设计的网络模型对上述实验数据进行特征提取分类。最后检测出图像中的障碍物。最终的实验数据显示,本文方法在野外环境下可以快速的检测障碍物,准确率高。