交通场景分析作为一门新兴学科,在汽车自动驾驶系统中占据着非常重要的地位。复杂背景下的交通场景分析性能直接影响着基于视频的自动驾驶技术的发展。本文提出了一种新型交通场景分析系统,在语义范畴对图像中的每个像素点进行标注,目的在于广泛地应用于包含众多类目标的复杂场景。该系统结合了区域特征分析与滑动窗口检测两种算法对交通场景进行分析,主要包含以下几个方面:实现基于图像超像素的场景分析,可以对那些没有固定形状但纹理信息相对一致的背景类场景范畴(如:道路、天空、树、楼房等)进行准确分类。本文主要选取了以下图像超像素特征:纹理特征、颜色特征、外表特征以及图像子区域的几何特征(大小、形状、位置等)。实现基于滑动窗口的多目标检测,能够对目标类场景范畴(如:行人、车辆、非机动车等)进行高精度检测识别。本文在图像多尺度空间利用LUV颜色特征与梯度特征的融合进行目标类场景特征的描述,并结合AdaBoost分类算法进行目标的检测与识别。对交通图像的超像素分类结果与多目标检测结果进行融合,并采用现在广泛应用的Markov随机场引入图像上下文信息,提高分类精度。由此,组成了本文的场景分析系统框架。最后,本文在国际具有挑战性的Sift Flow数据集与CamVid数据集上进行实验,实验结果表明本文提出的方法相比其他现有的方法能够达到更好的分析精度。通过本文的研究,丰富了交通场景分析技术,推进了无人驾驶系统的实用化进程。