自动驾驶技术是一种使汽车在无人为干涉情况下自动行驶在路上的技术,在帮助解决社会问题、提升综合国力等方面有着重要意义。近年来,自动驾驶应用场景从无人公路到乡村城市,趋于复杂,密集城市驾驶场景成为当前自动驾驶研究的主流场景。城市驾驶任务受高级导航指令指挥,结合城市具体路口场景进行不同的转向行为,无法使用一个通用模仿学习模型对复杂场景中的问题进行有效建模。本文通过研究城市驾驶场景特点,提出了分层模仿学习框架,并研究其环境适应能力。首先,根据城市驾驶场景特点进行问题建模,依据分治思想提出了分层条件模仿学习算法模型（Hierarchical Conditional Imitation Learning,HCIL）。HCIL模型使用双层控制决策网络,上层网络根据导航指令和驾驶场景RGB图像的特征选择当前适合的子网络,下层子网络决策出具体动作控制智能体车辆运行。同时,将动作建模抽象为横向控制和纵向控制,精简了下层子网络的输出结构。为了提升下层子网络的纵向控制能力,使用速度预测辅助模块保留端到端流向中的纵向信息。然后,针对HCIL模型在不同天气场景下性能的差异性,提出了基于转换网络的分层条件模仿学习算法（Translation-based Hierarchical Conditional Imitation Learning,THCIL）。将条件模仿学习模型推广到新的城镇下时,模型的驾驶性能在不同天气场景下具有显著差异。为了提高模型在不同天气场景下的适应能力,将可同时进行多对多转换的生成对抗场景转换模块用于模型感知。结合HCIL模型在不同天气场景下的表现以及场景转换模块的生成结果,将“晴朗日落”天气场景作为目标场景。使用基于生成对抗网络的场景转换模块将任意场景图像转换为更适合驾驶的场景图像。最后,在开源模拟器CARLA中对HCIL模型和THCIL模型进行了测试和消融实验。HCIL模型在复杂城市驾驶场景的评判中得到了超过现有模型的分数,证明了HCIL模型的性能优于现有模型。THCIL模型提升了在新城镇中不同天气场景下的驾驶评分,证明了场景转换模块能有效提升模型在不同场景下的环境适应能力。