道路环境感知系统作为汽车辅助系统中的重要组成部分得到了研究学者们的广泛研究。本文建立的道路环境感知系统主要包含车道线检测和移动障碍物识别。大多数研究学者是通过基于卷积神经网络算法来实现两个任务。然而这些算法面对实际应用时,其实时性、鲁棒性以及内存方面会有一定局限性。本文对复杂天气复杂交通场景下的道路环境感知系统实际应用问题进行研究,并提出全天候道路环境感知系统。论文主要开展的工作如下:(1)采用级联多任务网络思想,建立能够同时实现目标检测和车道线识别的多任务网络Cascading D-SNet(Cascading Detection and Segmentation Network),将车道线识别准确率提高3.5%,运行时间比两个任务分别完成时间之和减少73.72ms。(2)利用并联多任务网络思想,建立多天气网络结构MWNet(Multi-Weather Net)。通过大量的实验证明,利用该网络结构可以将恶劣天气情况下的车道线识别和目标检测准确率提高3.6%和3.3%。(3)针对道路环境感知系统在实际应用中鲁棒性、实时性以及硬件内存能力的要求,建立全天候道路环境感知系统。该系统通过共享一个特征提取基础网络实现对图像天气实时分类、恶劣天气下目标检测和车道线识别以及良好天气下目标检测和车道线识别五个任务。能够在保证检测准确率和运行时间的基础上进一步减少算法所需内存,提高算法的实际应用能力。(4)由于目前还没有含有多种天气情况下道路交通中车道线和移动目标标注的数据库,为了验证建立的网络性能,采用从全国各地7个城市采集的数据来建立具有60000余张的数据库。该数据集对研究国内各种天气下目标检测和车道线识别具有非常大的应用价值和参考意义。综上所述,本文以计算机视觉技术为基础,研究了复杂交通环境中各种天气情况下基于卷积神经网络的目标检测和车道线识别算法在应用中的优化问题,为算法的实际应用提供新思路。