随着人工智能技术的发展,无人驾驶汽车与辅助驾驶汽车逐渐走入人们的日常交通生活。道路斑马线区域的交通场景中,行人与车辆是场景中的重要交互者,其中斑马线是保证穿行行人交通安全的重要设施,准确检测斑马线和行人的运动是无人车驾驶汽车与辅助驾驶汽车保证行人安全不可或缺的一项关键技术。因此开展道路斑马线与行人运动检测的研究对交通安全、无人驾驶汽车与辅助驾驶汽车的发展具有重要的实际意义。由于斑马线与行人检测存在背景复杂、行人遮挡和姿态多样等问题导致行人行为识别困难,无法准确预测行人穿行斑马线意图,因此,本文针对道路斑马线与行人运动检测中存在的问题,采用深度学习的方法进行研究,具体研究内容如下:（1）为了改善现有斑马线检测精度低、检测不全面及实时性差等问题,提出了一种改进的Seg Net语义分割模型。改进模型以语义分割中的原始Seg Net模型为基础,先融入金字塔池化模块,减少斑马线细节信息丢失;后将模型改为编码不变、解码减少的不对称结构,减少网络参数,精准检测斑马线像素点位置。扩充斑马线图像数据集后进行实验,将四种模型进行对比,改进Seg Net模型检测斑马线精度达到了97.6%,与其他模型相比检测精度得到有效提高,且运行速度加快,满足当前实时性检测的需求。（2）针对行人检测中存在的耗时大与小目标检测困难问题,提出了一种改进FasterRCNN算法。改进模型以Faster-RCNN算法为基础,先优化网络结构,替换特征提取网络模型,提高了提取特征的优越性;再优化了聚类算法,引入高斯聚类,减小计算量,提升了检测速度;最后将SSD算法、Faster-RCNN算法与改进算法进行实验对比,改进算法检测精度更高、速度更快且实时性更好,能有效检测小目标行人,具有实际意义。（3）针对行为识别中存在的识别准确率低问题,在研究分析相关识别算法的基础上,给出了一种基于CNN-LSTM行人识别算法。该算法主要思想是使用CNN网络模型用于提取图像特征信息,以LSTM网络模型对行人行为分析时间序列进而完成行人行为识别分类。将CNN-LSTM模型与Res Net-LSTM模型进行实验对比,实验结果显示CNNLSTM模型的损失值更小,且模型趋于稳定速度更快,模型波动较小,CNN-LSTM模型的行为识别准确率更高。（4）针对行人穿行道路斑马线意图预测时间长与预测距离短的问题,构建了一种基于贝叶斯网络的行人穿行道路斑马线意图预测模型。该模型主要依据行人与车辆两个视角分析的意图预测影响因素,设计本文交通场景,给出行人穿行道路斑马线的概率估计。训练分析得到最优预测模型,针对不同场景表现分析差异,本文模型能够提前05s-0.8s预测出行人穿行斑马线意图,相对距离为15m-25m时可完成行人穿行斑马线意图预测,结果显示,在各种行人穿行斑马线的场景中,本文构建的预测模型能够有效预测行人穿行斑马线意图。（5）基于本文以上研究成果,结合实际需求,设计实现了道路斑马线与行人运动检测原型系统,验证了本课题中研究以及改进算法的优越性。