在自动驾驶环境感知系统中,机器视觉已经成为众多解决方案的首选。然而,机器视觉仍然存在复杂驾驶环境适应性差、算力要求高等问题,仍然达不到人类视觉的一般水平。如何模拟人类视觉使之更好地理解驾驶场景,成为推动ADAS技术变革,实现L4级别的完全自动驾驶视觉感知技术的关键问题之一。为满足复杂驾驶场景下机器视觉检测任务的速度、准确性和鲁棒性达到最优的要求,本文以驾驶员视觉注意力、前方道路目标和可行驶区域作为研究对象,开展了基于拟人视觉的多任务检测算法研究,主要进行的工作如下:（1）针对现有的机器视觉目标检测算法缺少专门针对复杂驾驶场景的注意力筛选机制,导致精度差的问题,提出基于驾驶员注意力高层感知特征的道路目标检测算法。由人类视觉选择性注意机制角度出发,对驾驶场景视觉显著性进行建模,分别从驾驶任务驱动和驾驶员主观意识驱动两个方面进行分析,并构建了驾驶场景视觉注意力显著性数据集。（2）针对车载硬件运算资源有限,现有视觉检测算法中单个模型同时完成多个任务难度大、性能差的问题,提出面向复杂驾驶场景的端对端多任务检测算法。首先为了提高视觉检测任务的精度和鲁棒性,研究基于深度学习的单目机器视觉优秀算法,包括基于Anchor-free的道路目标检测算法和基于“编码器-解码器”的可行驶区域检测算法。然后利用多任务学习中参数硬共享与软共享机制相结合的方法,同时结合人类视觉选择性机制,完成整体网络结构与损失函数的设计。整体结构是由一个主干模块和三个分支模块组成。为保证模型的实时性,主干模块采用改进的轻量化特征提取网络MobileNet V3实现底层的特征共享,三个分支模块分别为驾驶员注意力监督模块、道路目标检测模块和可行驶区域检测模块,损失函数采用加权联合的方式进行计算。（3）搭建实验平台对整体模型进行线下训练和线上测试,并在车载电脑上对算法进行在线实车验证。实验结果表明,模型引入驾驶员注意力对道路目标检测的m AP贡献最大,增加3.65%。从模型的单个任务角度,检测部分参数仅为FCOS模型的8.79%,car类别的AP值提升0.56%,同时检测时间减少8.55ms;分割部分的准确率优于UNet和Seg Net模型,MAE值也最低。多任务模型无论是在天气晴好的白天,还是在夜晚出现强烈的灯光干预、逆光的情况下,都能精准又稳健地对前方车辆、骑行者和行人三类道路目标以及可行驶区域进行实时统一检测,可以满足正常车载计算平台对于实时性的需求。