随着大数据背景下机器学习等人工智能技术的迅猛发展,智能化已成为新时代汽车的重要特征及趋势之一。基于视觉传感器的环境感知及深度学习相关方法在汽车领域得到了广泛而深入的研究和应用。一方面,由于双目视觉同时具有单目视觉的识别能力以及类似激光雷达点云的精确测距能力得到了广泛研究。本文将以深度学习为工具研究基于视觉的路面复杂信息感知,以提升行车的安全性与乘坐舒适性。另一方面,研究以深度学习为工具的基于单目视觉的车身模型建模方法可实现基于图像的复杂曲线曲面自动建模,以期缩短汽车研发周期。本文主要有以下工作:面向路面凹凸及非标障碍物等信息感知问题,提出了基于双目视觉的三分支路面信息语义分割深度网络。该网络引入空间注意力机制及通道注意力机制,可以同时接受图像信息与双目视觉深度信息,通过区分两者差异性并融合有效特征,完成对路面信息的感知与分割。本文采集、整理并构建了真实驾驶场景下的较大规模双目视觉数据集,在此基础上进行了性能验证、算法对比等数值实验,结果表明了本文提出的感知及分割算法的有效性及准确性。面向路面非标小障碍物的实时分割与跟踪问题,提出了基于单目视觉及深度学习网络的语义分割及跟踪方法。本文提出了轻量化的VGG+FPN语义分割网络,以完成对路面小障碍物的实时精确分割,并采用Center Track算法对分割得到的小障碍物进行跟踪处理。本文创建了真实驾驶场景下路面小障碍物数据集。数值对比实验表明,本文方法可实现对路面小障碍物的感知、分割、跟踪一体化,帧率可达50FPS,使对路面小障碍物检测达到了应用级。提出了基于深度回归网络的单视图车身三维曲线自动建模方法。采用三次贝塞尔曲线定义了汽车车身三维曲线特征模板,基于三维网格模型库进行渲染创建了汽车多视图图像及对应的特征线框数据集。对特征线框数据集中的三次参数曲线进行等弧长均匀采样,通过PCA方法将汽车曲线特征模板转为低维的形状系数表示,并作为对应的多视角图像标注信息。采用Res Net101作为回归网络,使用均方误差对形状系数的回归进行监督,实现了端到端的由单视图到车身三维曲线模型的自动重建。数值实验表明,本文方法可较为有效地实现任意单视图输入的汽车车身全自动建模。