道路区域识别是实现自动驾驶、自主导航等应用系统的支撑技术之一,涉及机器视觉、模式识别、人工智能等许多学科领域,研究具有重要的学术意义和实用价值。近年来,基于视觉信息的道路区域识别技术因其设备简单、成本低廉等优点获得广泛关注。但由于道路场景的复杂多样性,以及视觉系统对于光照变化适应性差等固有弱点,现阶段基于视觉的道路区域检测方法存在场景适应性不强,光照鲁棒性差等问题。本文研究围绕基于视觉信息的道路区域检测方法展开,将深度学习方法应用到道路场景的特征提取环节,并结合引入了人工鱼群算法进行参数优化的监督学习框架来实现道路区域的检测。本文的研究尝试了以下创新思路：1、引入深度学习方法中的DBN模型进行图像小窗口特征提取,区别于颜色、纹理等特征提取方法,此方法能够在一定程度上避免特征选取的盲目性,提高算法稳定输出可靠结果的能力。2、提出基于SVM后验概率和Graph Cuts的道路区域识别方法。方法运用图割的思想实现道路区域的提取过程,能够在充分利用分类器输出的后验概率信息的基础上,提高输出结果的稳定性。在研究了训练数据在线更新策略的基础上,将本文提出的方法在多个由连续帧组成的数据集上进行了实验,结果表明算法具有良好的通用性和鲁棒性,能够在多种复杂的场景下得到令人满意的结果。