对交通信息的准确识别是保证无人驾驶车辆在道路中安全行驶的重要保障,其中包括行人信息,道路中的其他车辆信息,交通标志信息如限速,转向等,交通信号灯等。能够准确识别这些基本信息,才能为后面车辆的避障,跟踪等后续操作提供决策依据。基于视觉的图像分类是将识别的物体进行归类,在无人驾驶系统中,则是对交通信息的判断,如车辆的左转,直行或解除限速标志的判断,根据判断结果对行车做进一步规划。而城市环境中,保持在车道线内行驶对整个交通系统有着重要意义,近年来基于深度学习的方法在车道线检测的任务中表现突出,其强大的表征能力甚至在信息不充分如目标被部分遮挡的情况下也能完成任务,检测出车道线后如车辆发生非正常偏移,可发出偏移警告,这便是偏移预警。在车辆的行驶过程中,往往会出现一些意外情况,如交通标志被遮挡或无法验证检测结果的正确性,通过目标的连续跟踪可以有效地解决此类问题,同时针对道路的复杂性,如一些特殊路段隧道入口或匝道汇入口等地,都是事故的高发地段,本文通过基于高精地图的有限状态机的方法对车辆的决策行为进行了分析。本文的研究工作如下:1)针对实际生活中,数据标签常有缺失的情况,尤其像交通标志一类的数据集因被遮挡而导致不足的问题,提出了一种半监督的自动编码器,并且利用标签信息对目标函数做了改进,通过堆叠的方法提高系统分类的鲁棒性。本文通过人为去除部分数据标签的方法来模拟实际生活中数据标签缺失的情况,将无标签的数据通过预训练的方式提高模型在训练时的收敛速度,再通过堆叠的方式加深网络的深度,提取更加抽象的隐含层特征,利用梯度下降法训练目标函数,对于自动编码器的输出,我们采用了 softmax函数进行平滑处理,得到最终的结果。算法在交通标志数据集Belgium TS数据集和GTSRB数据集上进行了实验,同时为验证算法的有效性在SVHN和CIFAR-10数据集上进行了实验,证明了改进算法的有效性。2)针对车道线在现实生活中常被遮挡的情况,本文在基于空间卷积神经网络模型的基础上提出了改进方案。空间卷积神经网络在传递特征信息时,上下前后四个方向分别进行了传递,以提取车道线的空间特征信息,对于提取局部信息,一个很好的结构是注意力机制,它能够自动地提取局部特征而过滤掉无用的噪声如背景信息,对每个方向的传播层利用注意力门可以更好地提取局部信息,而这种前馈结构可将整体信息与局部信息通过加性运算合并在一起,从而提高了模型对特征的提取能力。计算量是一个模型复杂程度的重要体现,而这样的注意力机制并不会增加太大的计算量,保证了模型的计算效率。模型在新型车道线检测数据集CULane上进行了测试,结果表明了模型的有效性。3)针对交通标志在检测中可能出现的遮挡,帧丢失以及对识别结果的无法验证其正确性等问题,本文采用了目标跟踪技术,对交通目标进行了准确跟踪,以保证行车过程中识别的连续性;针对道路上车道线可能不存在的情况,且在一些重要路口,如隧道入口,匝道汇车口等事故高发地段,对车辆的行为决策分析有着至关重要的作用,本文在分析常用的多属性决策方法的同时,也提出了一种基于高精地图的有限状态机,它可以有效地避免一些危险操作,从而保证了车辆的安全行驶。同时,本文结合多属性决策分析用实例分析了车辆决策过程。