自动驾驶作为能源变革与信息变革的交汇点,其研究技术发展迅速,应用前景广泛,但同时自动驾驶仍然有诸多需要克服的问题。随着技术进一步发展,无论应用于民、于商、于军,自动驾驶需要考虑应对的情况将更为宽泛而复杂,从结构化的高速公路到没有结构的自然区域,从光照良好的白天到雨雪夹杂的夜晚。因此,针对复杂环境的场景识别与可行驶区域划分的研究十分重要。本文依托国家重点研发计划课题“自动驾驶电动汽车硬件在环测试环境构建与模拟测试技术研究”（编号:2018YFB0105103）,研究自动驾驶复杂环境感知任务中的可行驶区域识别问题,即图像分割与目标识别问题,并对图像分割算法进行仿真实验与实车验证。研究内容主要包括以下几点:1)针对复杂场景下的可行驶区域识别,考虑算法稳定性与计算消耗,建立基于最大熵的识别算法。通过对输入数据的降噪、清洗,完成图像预处理,加强信息特征。引入邻域像素群灰度概念,基于传统图像分割信息熵理论完成二维最大萨利斯熵的计算推导,提出改进滤波模板,使用改进二维最大萨利斯熵算法对输入数据进行图像识别分割。2)针对复杂场景下的可行驶区域识别,建立轻量型卷积神经网络模型。基于神经网络与深度学习理论设计网络结构,基于残差模块与逐通道卷积设计卷积层,基于计算机系统并行线程与进程的思想及空间金字塔模型理论设计并行池化模块,提出改进网络激活函数。考虑算法精度、计算消耗以及网络轻量化之间关系,通过训练对网络模型进行调整,实现可行驶区域识别。3)研究并分析当前自动驾驶数据集与可行驶区域数据集的数据分布,针对数据集数据不足的问题提供解决方案。对公开数据集进行打碎、融合处理,建立复杂情况下可行驶区域识别数据集。实地采集数据并制作小型数据集,扩充、增强自建数据集内容,作为测试算法与调整神经网络的参考数据集。4)提出可用于处理公开数据集的自动化处理算法模块,解决现有公开数据集之间数据结构不共通、标签标注形式不统一的情况。自动化模块通过获取数据集数据结构、数据清洗过滤、快速修改标注类型等功能处理相关数据集与数据信息,有效降低在面对多种数据集或大型数据集时的综合人力消耗与时间消耗,简化流程并提高工作效率。5)利用数据集与实验平台设计相关实验场景,进行仿真及实车实验,验证算法模型与技术方案的有效性与稳定性。对两套图像分割方案进行对比实验评估,根据自采数据集对神经网络模型进行验证,对整体的技术方案的可行性与有效性进行实车测试与评价。本文承接部分传统图像分割方案理论,提出新的解决方案,基于深度学习神经网络实现可行驶区域的动态分割识别并加以实车验证,针对公开数据集不足提出编辑优化方法,建立自采集数据集,完成可行驶区域数据集的构建,在实际应用层面上具有多方面的参考价值。