随着我国经济的快速发展,机动车保有量逐年增加。汽车在给我们的生活带来巨大便利的同时,所产生的交通安全问题也越来越直观的呈现在我们面前。有调查显示,绝大多数交通事故的发生是跟驾驶员的驾驶状态、驾驶行为习惯有关,自动驾驶技术的出现成为解决上述问题的一个革命性手段。环境感知是自动驾驶的研究重点,而作为环境感知的重要手段,图像因为其丰富的信息量与实时性成为人们研究的热点。图像语义分割技术可以提供诸如障碍物轮廓、可行驶区域边界等关键信息。近年来,随着深度学习浪潮的兴起,深度神经网络在图像分类与目标检测等方面的表现突出,在与传统机器学习比较中显示出了巨大的优势。在自动驾驶领域,深度学习已经成为环境感知、图像分割的重要研究方向。本文主要研究面向城市道路的可行驶区域检测技术,主要内容有:1.基于分类性能卓越的残差网络,研究将网络模型用于图像语义分割的全卷积化技术,将分类网络的一维标签输出变为二维的特征图输出,为了让分割结果与原图等大,采用了反卷积技术。在结合图像语义信息中的“是什么”与“在哪里”方面,采用特征融合的方法结合网络浅层的信息优化分割结果;2.针对全卷积网络出现的图像边界区域误分类等问题,我们在语义分割网络的训练阶段,加入人工提取的关键图像特征,采用并联结构和层层融合的方法。与单一的网络结构相比,这种并联结构分割效果更好。在网络的输出端采用条件随机场算法优化分割边界,实验表明,我们的算法使语义分割中尤为重要的图形边界区域分割得更加准确精细;3.我们在逐像素标记的城市交通场景数据集上验证两个模型的分割效果,为了突出可行驶区域的分割我们将城市交通场景图中的不同语义标签分开研究实验,采用像素准确度、平均准确度与平均IU三个图像语义分割常用的指标衡量,结果显示我们提出的模型分割效果更优。