自动驾驶是近年来备受关注的一个领域,因为得益于深度学习的快速发展,自动驾驶系统的很多关键技术取得了突破性进展。自动驾驶系统主要由感知、规划决策和控制三个部分组成。感知则相当于自动驾驶系统的眼睛,负责感知车辆自身所处的周围环境,为规划决策和控制提供准确的场景信息。因为自动驾驶汽车的工作场景十分复杂,所以自动驾驶场景下的感知是一项极具挑战的任务。本文对自动驾驶场景下的单目图像目标感知进行了深入研究,并提出了:（1）一种基于锚边框的一阶段的三维目标检测方法自动驾驶场景下的三维目标检测是感知周围的障碍物类别和三维边界框,本文提出了一种基于锚边框的一阶段的单目图像三维目标检测网络。对于基于锚边框的一阶段目标检测网络中存在特征感受野与锚边框区域不匹配的问题,提出了一种分两步的特征对齐方法;对于从单目图像还原物体深度困难的问题,提出了一种非对称的Non-local注意力机制,通过结合环境信息提高模型对物体深度估计的性能。在自动驾驶数据集KITTI上的实验结果表明,所提出的方法在单目图像三维目标检测上的性能提升明显,超过了KITTI在线排行榜中目前最先进的方法。（2）一种基于跨模态Transformers的目标检索方法在自动驾驶场景中,乘客通过自然语言给自动驾驶系统下达动作指令,往往以场景中的某个物体为参照。目标检索则是根据自然语言指令检索场景中对应的物体。关于如何通过文本匹配图像中的物体,本文提出了一种结合跨模态Transformers的神经网络框架。首先用卷积神经网络提取图像视觉特征,用Transformers的编码器提取文本语言特征。接着在Transformers的解码器中将语言特征和图像特征通过跨模态的注意力进行匹配和融合,共同理解语言和视觉信息。在Talk2Car数据集上的实验结果表明,对比之前提出的方法,本方法性能提升明显,具有长文本序列和复杂视觉场景理解能力强等优点。