环境感知是自动驾驶系统的核心技术,而可通行区域检测是环境感知的重要内容,对自动驾驶的路径规划有重要意义。高光谱图像因其对光谱感知范围广,包含感知对象材质相关的物理性质,一直以来在遥感领域和目标检测领域都有广泛的应用。本文主要研究基于高光谱图像的可通行区域检测,利用高光谱图像包含的感知对象的材质信息解决基于RGB图像的可通行区域检测中存在的问题,通过对高光谱图像进行道路分割实现可通行区域的检测,主要工作内容如下:（1）研究了基于RGB图像的道路可通行区域检测。本文利用无人驾驶平台上的彩色相机采集了3799张道路图像,并且进行了可通行区域的标注。图像包含城市和乡村场景,分别占40%和60%,道路表面材质包括柏油水泥砂石和泥土,保证了数据的场景多样性。同时,针对不同的场景,在采集的图像上训练了经典的语义分割网络,测试了不同模型的分割效果。除此之外,针对分割后的道路,提出了基于消失点的道路方向检测方法,并用于弯道的分析。（2）构建了一个针对道路分割任务的高光谱数据集。为了利用高光谱图像进行道路检测,本文在上一个工作的基础上构建了高光谱道路图像数据集,在同一场景同时用彩色相机和高光谱相机采集了数据,并且进行了标注。数据集规模达到3799组,每个场景除了三个通道的RGB图像,还包含25个通道近红外波段图像以及16个通道可见光波段图像,保证了数据的光谱多样性。除此之外,还在构建的数据集上训练了经典的语义分割网络,测试了不同模型的分割效果,为高光谱图像道路分割工作提供了一个标准数据集。（3）提出了一个基于波段选择的语义分割模型。高光谱图像包含几十个波段,可能会出现特征的冗余或者不需要的噪声,为了解决这一问题,本文引入了一个基于排序的波段选择模块,首先分别验证了近红外图像和可见光图像在提出的模型中效果最好的波段数,然后与其他基于高光谱图像的道路分割模型进行了对比,实验结果显示波段选择模块提升了分割性能,最后和同一场景的RGB图像作为输入的模型进行了对比,提出的模型在非结构化场景中性能较好,实验结果验证了波段选择模块的有效性和高光谱图像在道路分割任务中的应用价值。