目前,道路检测对于辅助驾驶技术而言仍然具有一定的挑战性。道路检测的主要目的是在检测出图像中道路区域的同时避开道路区域内的行人和车辆等障碍物。随着深度学习研究的不断深入,大量基于深度学习的算法被应用到道路检测领域中。但是由于实际道路环境的复杂性,现有的道路检测算法仍然没有达到理想的效果,所以对于道路检测算法的研究还需要进一步深入。当前用于道路检测的算法主要分为两大类,一种是依靠各类传感器联合检测的传统方法,另一种是利用各类神经网络学习道路特征进行道路检测的深度学习的方法。大多数情况下,利用深度学习的方法进行道路检测的准确度更高,鲁棒性更好,并且利用深度学习的方法代价更低。在对现有深度学习的方法进行分析后,本文提出一种基于生成对抗网络进行道路检测的方法。本文研究的主要内容和主要创新点如下:（1）在对现有神经网络分析后,本文引入双判别器循环一致性对抗网络（DD-Cycle GAN）作为本文的主体框架网络。针对原始网络特征提取能力欠佳,本文对网络框架做出了一些改动,加入了空间CNN网络模块和残差密集块。利用改进后的双判别器循环一致性对抗网络学习两种图像中道路区域的映射函数,完成图像特征转换,从而完成道路检测任务。（2）利用神经网络训练好的模型测试时,分析发现输出的测试结果中存在漏检和误检的情况。针对此问题,本文设计了一种自适应的图像优化模型。对于漏检出现的孔洞,本文使用膨胀与腐蚀算法对孔洞进行填充。对于人行道或房屋墙壁等颜色和纹理特征与道路区域相似被误判成道路区域的,本文利用连通域检测算法去除小的连通域,从而达到去除误检区域的目的。经过自适应优化模型的优化后,测试输出结果中大部分的漏检和误检问题都得到了一定的解决,提高了道路检测的精确度。本文的最终结果上传给了KITTI官方服务器,根据返回的评估结果可以得出:本文方法能较为准确的完成道路检测任务,具备一定的研究和实用价值。