基于机器视觉的道路环境识别技术作为智能汽车研究方向之一,其研究价值越发凸显,已经成为目前的研究热点。其一,道路环境的复杂多变,导致车辆可行驶区域的检测效果一直不太理想。其二,智能驾驶对于道路环境识别算法的准确性和实时性要求较高,算法的鲁棒性较差,算法应用条件比较苛刻。智能驾驶环境感知作为车辆决策和控制的关键基础,如何对道路环境可行驶区域进行准确且实时地识别成为此项工作的重中之重,是目前智能车领域的一项重大挑战。以智能汽车道路可行驶区域检测为背景,基于Hough变换的传统车道线检测方法针对简单道路环境有一定效果,但是针对复杂道路环境检测效果不理想,出现了误检、漏检等情况。针对此情况,本文决定采用基于卷积神经网络的语义分割算法来检测道路可行驶区域,以期解决传统车道线检测方法在复杂道路环境下精度低、适应性差等问题。首先进行数据集的获取和标注,本文实验的数据集来自两部分,一是采用现有公开数据集,二是通过Labelme软件进行人工标注数据集的方法获得测试数据集。其次构建网络Segnet语义分割网络模型,受U-net网络的启发,采用并联跳跃结构将编码结构的特征图与解码结构的特征图进行连接,可以在进行分类预测时利用多层信息。然后采用Inception结构代替网络部分卷积层,增加网络的宽度,减少网络的参数数量,得到试验所需的网络。最后使用Adam算法对网络进行优化训练,得到本文道路语义分割网络模型。网络模型训练完毕以后,在数据集上进行对比试验。试验结果表明,相对于传统的车道线检测方法,深度学习语义分割算法在各种路况条件下检测效果更好,模型的泛化能力较强,可以满足行车环境语义分割的实时性要求。