交通图像分割是指识别并分割出当前交通图像中车辆、行人、路面等各种参与对象,是智能驾驶和智能交通系统的重要组成部分。实时准确的交通图像分割,有助于改善交通安全、提高行车效率。传统的交通图像分割方法难以综合满足实时性和准确性需求,而基于深度卷积神经网络的分割方法往往具有强大的特征表征能力和良好的应用潜能。因此,开展基于深度卷积神经网络的交通图像分割方法研究具有重大理论和现实意义。本文设计并实现了一种基于深度残差全卷积神经网络的交通图像分割方法,并实验验证了方法的有效性。首先,开展了交通图像分割数据集和图像预处理方法研究;然后,设计了一种深度残差全卷积神经网络模型,该模型综合了深度残差网络特征表征能力强、空洞卷积能够扩增感受野和全卷积神经网络能够实现像素级的分割等优势。最后,针对基准数据集和自定义数据集获得97.03%和85.99%的MIOU(Mean Intersection Over Union)以及0.065s和0.370s每幅图像的平均分割速度。结果表明,相对于常规的全卷积神经网络,本文方法的分割准确率和实时性得到了改进。本文的工作主要有以下两个方面:1.开展了数据集和图像预处理方法研究。首先,给出了一个基准的交通图像分割数据集,并自行采集和标注了一个国内交通图像数据集。与基准数据集相比,后者更多地体现国内城市和高速路交通场景。然后,针对图像预处理环节,采用限制对比度自适应直方图均衡化、图像金字塔和图像裁剪等方法改善图像质量和多样性。2.开展了深度学习模型和有关功能模块的适用性研究,详细阐述了卷积神经网络、全卷积神经网络、深度残差网络等深度神经网络模型,和条件随机场、空洞卷积等功能模块在交通图像分割中的适用性。首先,提出了一种基于全卷积神经网络和条件随机场的分割模型,精度高但实时性不足;最终,设计并实现了一种基于深度残差全卷积神经网络的分割模型,精度和实时性均得到一定程度的改进。