根据道路边界是否规则,道路可以被划分为结构化道路以及非结构化道路。结构化道路具有鲜明的道路特征,道路识别系统可以根据道路模型或者人为设定的特征准确识别。而非结构化道路没有明显的道路边界,难以进行道路可行驶区域的识别。尤其在复杂天气环境下（雾霾天气、雨雪天气等）的道路识别,极易受到天气因素的干扰,识别更加困难。在车辆行驶过程中,能够快速、准确地确定可行驶区域是智能驾驶决策的关键。本论文的研究内容主要包括:1、制作了一个包含2000张图片的非结构化道路数据集,并进行了非结构化道路的语义标注,数据集中包含十字路口、丁字路口和直行路等不同的道路形状,以及砖渣路、土路和水泥路等不同的路面铺装结构,作为深度学习网络训练的数据集。2、对暗通道先验方法进行改进,并利用改进的暗通道先验方法对雾霾图像进行去雾。分析了暗通道理论在天空等明亮区域的失效原因,并从光线传输的本质出发,提出了利用非天空区域暗通道透射率拟合天空区域透射率的方法,使去雾效果有了明显改善。3、为了识别图像中的天空部分,本文提出了一种基于像素偏转模型的BP神经网络天空识别方法。利用天空像素数据集作为数据来源,使用像素偏转模型提取天空像素特征,然后利用BP神经网络对像素特征进行训练,得到权重文件并对天空部分进行识别。本文天空识别算法优于Otsu算法、YeHu算法、Graph-cut算法和Mask-RCNN算法,利用CamVid数据集中的天空类进行算法精度检测时,IoU值达到了91.7%。4、利用三维空间内道路边界（可以看作一组平行线）在二维平面相交的特点,可以寻找道路可行驶区域。首先利用像素偏转模型将图片中的天空部分剔除,提高算法的效率。然后由Gabor滤波器计算纹理方向,利用H.Kong等人提出的置信水平公式进行置信水平估计,最后利用局部区域投票算法进行投票,最终得到道路的可行驶区域。5、分别基于SegNet和Mask R-CNN深度学习模型,实现对非结构化道路的识别,并对他们的识别效果进行分析评价。本文将制作的非结构化道路数据集在两个模型上进行了训练,选择这两个模型主要是因为,SegNet是一种相对简单,基础的网络架构,而Mask R-CNN相对比较复杂,通过两种模型不同识别结果的对比,研究非结构道路对深度学习网络复杂度的要求。本论文利用python编写所有的算法,实现了各种算法的功能,通过对实验数据和实验图像的分析,证明所研究的图像处理技术达到了预期的研究目的。