道路场景检测是辅助驾驶和自动驾驶实现和应用的关键技术。不进如此,道路场景检测也可以检测到驾驶员的盲区,减少交通事故的发生率。语义分割和目标检测两种算法可以根据需求进行检测。对车道线、车道、斑马线、建筑物等面积大范围广的目标,语义分割从像素出发将不同类目标分割,是其他方法难以比拟的。目标检测则是可以从实例级对道路场景中的行人、车辆、红绿灯、交通标志等进行更好的检测。针对数据集制作成本高、时间长,现有语义分割模型对小规模样本不均衡数据集分割效果较差的问题,设计了融合空间注意力机制的双边U-Net网络模型。该模型利用轻量化Mobile Net V2作为骨干网络进行特征分层提取,并对比空洞空间金字塔（ASPP）模块提出了一种空洞金字塔空间注意力（APSA）模块,该模块可以增加感受野和增强信息,最后加入上下文融合预测分支将高语义和低语义的预测结果融合,帮助细节和边缘像素正确分类。该模型在Cam Vid数据集上的m IOU达到了75.85%。并且,为了验证模型的泛用性和APSA模块的作用,在VOC 2012数据集上进行实验,APSA模块将m IOU提升约12.2%。实验证明该模型可以在少量数据集的情况下达到理想的道路分割效果。针对目标检测算法参数多、计算量大以及上下文信息融合度较差的问题,提出了一种基于Center Net的融合上下文的轻量化Center Net模型。把轻量化Mobile Net V3网络作为骨干网络,并将其中的SE模块替换为ECA模块,实现参数量和模型的缩减。接着根据目标检测算法的特点,改进APSA模块,通过增大空洞数来扩大卷积的感受野,并将其融合在逐级连接的上下文特征融合模块,更好的将上下文信息进行融合的同时减少连续上采样次数,从而提升网络的检测精度。在扩增的PASCAL VOC数据集上进行测试,改进Center Net模型的m AP为80.5%,速度为42FPS,模型大小为38.7M。相比Center Net在准确率仅低3.2%的情况下,检测速度FPS提升约40%,模型缩减约三分之二,在实际中的检测效果不输原模型,更具有实际应用价值。通过实验证明,本文提出的语义分割方法可以提升小数据集的道路场景分割的性能,在精度稳定提升的同时,一定程度上解决了数据集制作费时费力的问题。提出的目标检测算法兼顾了轻量化和信息融合,在保证检测准确度的同时,提升检测速度。两种方法均可在实际工程中进行应用,并且为后续研究提供了思路。