基于计算机视觉的道路场景理解是智能驾驶技术中的重要组成部分，也是人工智能应用领域的研究热点之一。近年来，道路场景理解虽然取得了突破性进展，但是尚不成熟。原因在于道路环境下存在大量的不确定性扰动，使得具有鲁棒性和自适应性的道路场景理解算法的开发充满困难。　　在复杂道路场景下如何更好地提取图像特征并保障良好的鲁棒性，一直是研究的难点。传统的场景理解方法是通过人工定义的方式来提取特征，对图像信息的表达不够全面，因此鲁棒性无法得到保证。卷积神经网络(Convolutional Neural Network，CNN)通过端到端的监督学习，能够自适应地提取图像的鲁棒性特征，与人工定义的特征相比能更好地表达图像的隐含信息，从而有效地解决道路场景理解问题。但是，卷积神经网络因存在分辨率丢失问题，使得对图像“边角”信息和空间信息的表达能力不足，同时缺乏对图像整体环境信息的表达，因而很难得到精确的道路场景理解结果。针对以上问题，本文的主要研究内容如下:　　针对图像特征的鲁棒性不足的问题，提出一种基于扩展卷积(Dilated Convolution)神经网络的道路检测方法。该方法先通过扩展卷积神经网络提取图像稠密性特征，然后据此得到粗糙的道路检测结果，最后采用图像形态学后处理进行区域优化。扩展卷积解决了分辨率过分丢失问题，通过多层次特征融合和上下文信息融合方式增强对图像局部和全局信息的获取能力。实验结果表明，该方法所提取的图像特征更具有鲁棒性，能够实现自适应道路检测，提高道路检测的性能。　　为了深层次理解道路场景，在上述算法的基础上，提出了一种基于卷积神经网络和全连接条件随机场的道路图像语义分割方法。先通过卷积神经网络得到道路图像语义预分割结果，再利用全连接条件随机场进一步优化结果，从而提高道路图像语义分割的精度。实验结果表明，该方法能够获得更加精确的道路图像语义分割结果。