汽车行业发展迅速,正处于变革的时代,智能化成为未来发展的方向。智能驾驶环境感知技术作为提高汽车智能化水平的前提和关键技术,成为目前研究的重点。本文基于深度学习方法,提出一种高效、准确的基于车载相机的智能车辆环境感知算法,实现交通场景的深度理解,为智能车的发展奠定重要的理论和应用基础。首先,通过对语义分割网络模型的研究分析,提出一种带有“基数”和多分支融合理念的分割神经网络结构。该网络分为编码器和解码器两部分,基于PSPNet网络设计编码器结构提取输入图像的特征,将提取的特征输入解码器,通过反卷积和上采样操作,扩大输入特征图的尺寸,输出与输入图像同等尺寸的特征图。实验结果表明,所提出的语义分割网络具有很好的实时性和分割精度。其次,针对上文提出的应用于语义分割的神经网络,通过更好的特征提取网络实现目标检测任务。对Faster R-CNN的目标检测方法,将提出的语义分割网络的编码器部分作为目标检测任务的特征提取网络,将提取的特征图生成感兴趣区域,经过ROI池化后应用全连接层得到目标的分类和回归输出。实验结果表明,所提出的网络在目标检测任务上取得较好的检测精度和实时性。最后,本文基于交通场景,提出一种同时实现语义分割和目标检测任务的多任务网络。网络由共享卷积特征提取的编码器和实现不同任务的语义分割解码器、目标检测解码器组成。其中,编码器网络基于之前提出的分割网络,提取输入图像的特征,并以该特征图作为分割和检测解码器的输入。通过实现两个任务网络的单独训练和联合训练,实验结果表明,本文提出的多任务神经网络结构能够在保证检测精度的前提下,在交通场景的多类语义分割和多目标检测任务上获得更高的实时性。