当前计算机视觉与深度学习的研究与应用均发展迅速,但基于视觉的环境感知及其在低成本辅助驾驶中的应用仍具有挑战性。道路环境感知是自动辅助驾驶系统的基础和关键,它可通过摄像头或雷达等传感器配合软件,帮助车辆较全面地了解其所处交通环境。基于视觉的感知系统方案因应用成本较低而受到青睐。其中,交通标志检测可提供道路交通信息,减少交通违法行为,提高安全性,是智慧交通和自动驾驶的必需的重要功能;道路可行驶区域感知,可为自动驾驶的融合层和决策层提供道路信息,进而实现路径规划、提高行车安全。因此,本文针对视觉感知系统中交通标志检测和道路可行驶区域检测两大功能进行研究,主要工作内容如下:首先,深入分析YOLOv7-tiny目标检测算法,并针对交通标志检测应用对其进行改进:1)为提高网络对小目标的特征提取能力,在主干网络的第2层就开始加强特征提取网络。具体是在原加强特征提取网络中增加一次对特征图的上采样处理,获得160x160尺寸的特征图,并与主干网络中第3层特征图进行融合,以获取更大的特征图用于小目标检测,同时增加针对小目标的锚框参数,并增加针对主干网络第2层的检测头。2)为主干网络提取的四个有效特征增加三重注意力机制,以获得丰富的跨通道信息。3)将网络中所有的Leaky Re LU激活函数替换为Si LU激活函数,使网络能更有效地捕获线性/非线性的抽象,从而提高网络性能。其次,深入分析Deeplabv3plus语义分割算法,针对其主干网络Xception计算量大的问题,将其替换为轻量级主干特征提取网络Mobilenetv3,以更好地应用于移动设备。此外还在ASPP空洞空间金字塔池化模块中增加了GAM全局注意力机制,以自适应学习空间位置与通道之间的关系,并提高了有关权重以增加网络对于重要特征的关注度;将模型中交叉熵损失函数修改为Focal loss损失函数,以减少样本中类别不均衡问题的影响,进一步提高分割精度。对于上述改进算法模型,均使用多种不同交通场景数据集进行了训练和测试,实验结果证明了其可行性和先进性。