环境信息感知是无人驾驶和辅助驾驶领域重要的研究内容。准确识别道路场景并进行路面检测,能够为驾驶员或无人驾驶系统提供可靠的场景信息,对保证交通安全具有重要的意义。我国道路场景多样、结构复杂,导致许多现有算法在检测多场景道路上存在适应性差、准确率低的问题。因此,研究准确率高、适用性强的实时道路检测方法具有重要的理论与应用价值。本文主要研究工作如下:1.针对现有道路场景分类数据集类别存在交叉,并且荒漠、乡村等特殊场景图像数据量不足的问题,本文构建了道路场景和路面检测数据集。为提高数据集图像质量,提出了一种基于MSR算法的图像预处理算法。该算法以HSI颜色模型和MSR算法为基础,对图像亮度和色度分别进行处理然后进行归一化整合。实验验证了改进的MSR图像增强算法能有效增强图像细节信息并滤除噪声。2.针对目前场景分类算法存在的因道路背景多样性和道路边界不明显而导致深度学习网络准确率和召回率低的问题,设计了一种改进的Mobile Net分类网络。将注意力机制和空洞卷积与Mobile Net网络结合,同时引入Disout算法和Adam优化算法对模型训练速度和参数改进,防止模型出现过拟合问题。实验结果表明,改进后的Mobile Net网络在道路场景分类上的准确率和召回率分别提高了0.2和0.1。3.针对现有路面检测算法对多场景道路不适用问题,提出了一种基于Mobile Net特征提取架构的双层金字塔PSPNet语义分割网络。以PSPNet网络为基础,将骨干网络替换为改进后的Mobile Net网络并对其结构进行优化,加入多尺度特征提取结构进一步提取细节特征,同时利用CRF算法对分割后的图像进行处理改善边缘连续性。最后,通过实验验证了模型的有效性。4.在本文研究成果的基础上,结合实际应用问题,对本文研究成果做了可视化展示。采用Python和Py Qt框架,设计了一个基于深度学习的道路分类和路面检测系统。实现了多种图像预处理方法的对比功能,完成了多场景分类和道路信息检测功能。