随着人工智能技术在交通领域的应用,自动驾驶车辆在目前乃至今后数十年都将会改变传统“人、车、路”三大基本要素之间的关系,成为智能交通系统发展的热点。环境感知是指通过各种不同类型的传感器快速准确的获取到道路交通场景中的环境信息,其是自动驾驶车辆进行路径规划和行为决策的主要依据,是实现自动驾驶的基本前提。相较于激光雷达等其它传感器,摄像机的经济效益高、灵活性强,因此视觉环境感知逐渐成为主要的研究方向。由于道路交通场景中交通参与者种类多,交通环境复杂多变,常规的视觉环境感知解决方案仍面临巨大挑战。本文针对下述道路交通视觉环境感知关键技术:a)车道检测,从微观上定位自身车辆位置,划分可行驶区域;b)场景目标识别,对场景中出现的各类目标例如车辆、行人等进行检测和识别;c)目标测距,测量出自身车辆和场景中各类目标之间的距离;依据视觉特征层级,由浅入深进行研究,主要研究内容如下:（1）为了定位自身车辆和规范行驶路径,本文使用深度学习技术对图像进行分析,检测出图像中车道标记。针对目前基于深度学习车道检测方法在拥挤道路场景下车道检测准确率低、速度慢等问题,一方面使用双维度注意力来编码全局上下文信息,辅助卷积神经网络提取全局空间结构信息,增强模型的抽象和推理能力,从而提升车道检测准确率;另一方面使用车道多项式回归直接输出多项式系数,减少模型参数和计算复杂度,大幅提升模型的推理速度。（2）为了得到细粒度的场景目标信息,本文使用语义分割技术来挖掘图像中更深层特征,对图像中每个像素进行识别。针对常规语义分割网络鲁棒性差、对小尺寸目标识别精度低、训练数据不易获取等问题,使用空洞空间金字塔池化模块来综合多尺度信息,提高小尺寸目标识别的准确率;另外,在网络训练过程中,使用伪标签策略来增加数据多样性,并且通过实例选择性白化损失来激励网络学习到解耦的白化变换,去除特征协方差矩阵中特定于域的风格特征,增强模型的域泛化能力和鲁棒性。（3）在细粒度场景目标识别基础上,本文使用单目深度估计技术对目标测距进行研究,测量图像中每个像素和摄像机之间的实际距离。针对常规单目深度估计方法模型参数量大,计算复杂的问题,使用深度可分离卷积代替常规卷积进行特征提取,提高模型推理速度。另外为了保留道路交通场景中的深度结构信息,在输出模块使用自适应深度离散化,模型预测出每个像素位于各深度区间的概率后再通过一个线性组合来平滑的估计输入图像的深度图,从而提高深度估计的精度。对上述算法在相应的数据集上进行实验验证,实验结果表明,在道路交通场景中,本文提出的方法可以有效的解决目前常规视觉环境感知方法的各种问题,对自动驾驶车辆环境感知能力的发展具有一定的参考价值。