无人驾驶车辆近年来成为研究的热点,对于无人车来说,环境感知是车辆可靠运行的关键。不同于无人机,无人车面临的地形环境更为复杂、障碍物类型不固定、不确定因素更多。在野外环境中,意外驶入水坑、泥潭等地形可能导致无人车直接抛锚,造成不可估量的损失。因此,准确检测道路中的水体具有重要现实意义。本文针对道路场景下水体检测问题的特点,依靠水体的物理特性和深度学习的强大学习能力,开展了以下三个方面的研究:（1）提出了一种联合反射注意力单元和自我注意力机制的道路场景图像水体区域检测模型（URA-Net）。通过在U-Net模型的基础上添加残差卷积块和上采样卷积块,使该模型取得了超出现有水体检测深度网络方法的性能表现;同时,在该模型上进一步将反射注意力单元和自我注意力机制较好地结合起来。URA-Net在“Puddle-1000”的Both Road数据集上的F1-Measure达到了87.18%,该实验结果表明,较单一使用反射注意力单元提取水体特征,提出的双重注意力模块能更好地捕捉特征依赖关系,提高水体语义特征的表示能力。（2）提出了一种基于双生成器对抗学习的道路场景图像水体区域检测模型（RWD-GAN）。RWD-GAN具有新颖的双生成器和单鉴别器结构,两个生成器网络仍然采用类似于URA-Net的模型架构,但是针对特定子任务作出调整,期望通过生成器与鉴别器、生成器与生成器之间的对抗学习,促进不同网络模型之间的信息传递,在相互竞争中达到平衡。同时,还给出了一种适用于道路场景图像水体区域检测问题的鉴别器设计。RWD-GAN在“Puddle-1000”的Both Road数据集上的F1-Measure达到了88.54%,这表明双生成器对抗学习可以更好地提升水体检测精度。（3）提出一种基于领域自适应的道路场景图像水体区域检测方法（Seg-DANet）。Seg-DANet由编码器、解码器和两个鉴别器组成,其中编码器负责给出水体特征的潜在表示,解码器负责结合域代码生成相应的分割图像,两个鉴别器一个作用于源域,一个作用于目标域。编码器、解码器和鉴别器相互作用,实现在完成图像分割任务的同时,提取具有领域不变性的特征表示。相比直接将在源域数据上训练的模型用于目标域,无监督领域自适应的性能提升了10.5%,半监督领域自适应的性能提升了36.8%,这证明了领域自适应能有效提升模型的泛化能力和环境适应能力。