随着都市生活节奏的加快,汽车已成为人们生活的一部分,与此同时,交通事故发生的频率也随之上升,成为全球范围内普遍担心的问题.安全辅助驾驶系统可以解决交通安全问题,道路场景理解是安全辅助驾驶重要组成部分,成为各国研究的重点.在分析总结国内外各种场景理解检测方法的基础上,本文提出新的场景理解检测算法.本文研究道路场景算法.对道路场景图像进行语义分割,将道路场景分为三类：天空、道路和障碍物.为了更准确、快速标注出场景图像的类别,利用极限学习机分类器(Extreme Learning Machine, ELM)对场景区域进行识别标注.首先,对场景区域提取HOG (Histogram of Oriented Gradient, HOG)特征,利用BW方法降维,再用ELM分类器进行分类识别,离线训练三个ELM分类器(天空、路地、障碍物)；然后,识别出对应场景的类别.虽然利用该方法对场景进行了语义标注分割,但是检测结果并不是令人满意,为此本文将图像中其他信息考虑到新的模型中,并将分类器训练的结果作为初始类别标记结果,应用条件随机场(Conditional Random Fields, CRFs)模型进行图像分割标注.基于条件随机场的图像分割技术是近年来计算机视觉领域的研究热点.该方法的核心思想在于构造一个具有观察数据的概率图模型(Probabilistic Graphical Model, PGM),给出一个对应该图结构的势函数,根据条件随机场的学习与推断方法,来得到使得概率最大的语义标签,作为最终的标记结果.该模型的新颖之处在于它将像素点的梯度特征、位置特征、对于车载视频的前帧后帧关系以及边缘信息考虑在模型中.并且将其作为最大团(clique)上的势函数(Potential function)进行模型的建立.采用拟牛顿迭代法(Broyden Fletcher Goldfarb Shanno, BFGS)和环状置信传播(Loopy Belief Propagation. LBP)对模型分别进行训练和推断.本文算法在公开数据集MSRC (Microsoft Research Cambridge)、ICCV09DATA和真实场景视频中都进行了测试,识别率是84.29%.本文的工作是找出关联区域与区域,以及上下文之间信息的场景图像语义分割.