随着无人驾驶技术的不断发展,对于道路场景的感知需求也在不断提升,这其中的关键就是计算机视觉技术。在无人驾驶领域中,计算机视觉的典型应用就是面向道路场景的图像语义分割。论文以Deeplab V3+网络和全连接条件随机场为基础,针对图像语义分割中可能会出现的像素特征信息的细节损失、像素的空间上下文特征信息丢失、分割边缘像素时发生的模糊、不连续等问题,运用图像语义分割主、子网络模式,并结合多种改进算法,开展以下三方面的研究工作:首先,针对全卷积网络在进行卷积、池化操作过程中的像素特征信息的细节损失和空间上下文信息丢失的问题,在Deeplab V3+网络编码端中,运用基于互质因子的密集空洞卷积方法代替标准空洞卷积,扩大卷积核的感受野,高效提取并保存图像特征信息;然后在金字塔池化结构中,将低空洞率的采样层输入特征和该层的输出加以融合,并将结果作为后续高空洞率采样层的输入特征,同时对输出特征进行全局平均池化处理,获取多尺度的像素的空间特征信息;在Deeplab V3+网络的解码端中,将解码网络的浅层特征信息进行跨层融合处理,进一步的保存像素的空间上下文信息,从而构建图像语义分割主网络Deep Pnet,并在道路场景数据集Cityscapes上,对Deeplab V3+、Deep Pnet网络进行对比测试。实验结果表明,Deep Pnet网络不仅能实现道路场景的语义分割,还能有效处理像素的细节信息和空间信息,提高了图像语义分割的精度,证明了改进方法的合理与可行性。其次,针对图像语义分割中的目标物体边缘部分模糊、不连续的问题,以全连接条件随机场为基础,在全连接条件随机场模型中引入g Pb边缘检测模块,实现边缘像素特征信息的提取与保存,再引入鲁棒高阶势能项,提升全连接条件随机场模型对边缘高维信息的处理能力,以上述改进为基础,完成图像语义分割子网络:g Pb-HOFCCRF模型。将图像语义分割主网络Deep Pnet与基于全连接条件随机场的g Pb-HOFCCRF模型加以整合,构建完整的针对道路场景的图像语义分割网络Dnet-CRF。最后,在道路场景数据集Cityscapes上,对Deep Pnet、Dnet-CRF网络进行对比测试,实验证明,Dnet-CRF网络不仅克服了边缘像素分割的模糊、不连续问题,还进一步的提升图像语义分割的精度,证明了改进方法的可行性与Dnet-CRF网络的优越性。