无人驾驶技术是解决交通安全、拥堵等问题的关键技术之一,是交通强国的创新发展战略之一。环境感知是无人驾驶汽车进行路径规划、决策控制的基础。视觉感知具有获取信息丰富、可视化、易部署的特点,是环境感知系统的一个重要研究方向。针对当前视觉感知系统存在检测精度和实时性不能兼顾的问题,本文提出一种了基于目标检测和语义分割算法相结合的方法,具体工作展开如下:（1）在深入分析当前目标检测方法的基础上,结合交通场景中目标检测的要求,选用YOLOv5m作为目标检测的算法。首先用脚本对cityscapes数据集进行标注,在此基础上训练YOLOv5m并与当前主流的目标检测算法进行实验对比,结果表明YOLOv5m在检测精度与速度上均取得了较好的表现。（2）针对DeepLabv3+模型的主干网络Xception计算量过大而导致的模型对图像的预测耗时较长的问题,使用更轻量级的深度可分离卷积网络Mobile Netv2进行替换,有效地减少了模型整体的运算量,提升了模型的预测速度。与此同时,在主干网络后加入一个空间-通道混合域注意力机制模块强调图像中的感兴趣区域、抑制低级语义信息,提升模型的预测准确率。实验结果表明,改进的算法在预测速度和正确率上都有所提高。（3）改进的DeepLabv3+模型将分别对交通场景中的可行驶区间和车辆、行人等目标进行分割,其中车、人等目标容易因为相互遮挡而导致分割结果粘连,不利于个体的区分,因此将交通目标的分割结果与检测结果进行融合,从而使感知系统获取更加准确的场景信息,辅助决策系统进行决策。实验结果表明,融合模型能准确地实现目标的提取。（4）针对融合模型对小目标物体检测效果较差的问题,本文基于融合模型YOLOv5-DeepLabv3+对cityscapes数据集的检测结果裁剪了小目标数据集并重新标注后加入到原有的数据集,二次训练得到优化后的融合模型,并利用该模型进行二次识别。实验结果表明,加入了小目标数据集后模型具有更高的目标检测正确率,有效减少了误检的情况。最后将融合模型集成到无人驾驶汽车平台上进行实车算法验证,验证结果表明,本文提出的融合模型在复杂交通场景下能够实现准确的多目标分割,说明该联合模型具有较高的工程应用价值。