随着国家和地方矿山智能化建设规范的推行实施,矿区无人驾驶卡车已经成为露天矿生产智能化建设的主要研究内容之一,由于露天矿区道路的非结构化和道路环境复杂多变等特点,自动探测和识别无人卡车行车道路,并准确判别车道偏离情况,是保障无人卡车安全行驶的重要基础,已成为露天矿区无人驾驶的关键技术之一。基于深度学习的图像识别方法非常适合于矿区道路这种具有非线性、高维度、复杂关系的图像数据应用分析,本文基于机器视觉方法对矿区无人卡车行进中的非结构化道路识别与车道偏离检测进行深入研究。本文主要研究包括:（1）矿区非结构化道路图像数据集构建。针对所采集的露天矿区道路图像数据单一的问题,本研究分析了多种图像滤波与图像增强算法,并采取中值滤波与直方图均衡化的方法对采集到的矿区道路图像进行预处理,以增强道路图像的特征,采取labelme软件对图像进行像素级的标注,为后续矿区道路识别与车道偏离检测任务构造高质量的数据集。（2）基于改进双边分割网络的矿区非结构化道路识别。针对露天矿区道路区域不明显,传统的计算机视觉方法无法快速准确识别出车前方行驶区域,本研究采用一种基于改进双边分割网络的深度学习方法,利用深度可分离卷积模块进行细节分支的轻量化改进以提高模型的运行效率,并结合卷积块注意力单元提高模型的识别精度,最后进行特征图上采样的改进以增强道路边缘细节表现能力。在矿区道路数据集上进行了训练学习,实验结果表明优化模型相比其他经典模型在矿区道路区域的快速准确识别任务上能够取得更优的结果。（3）矿区车道偏离检测。针对传统车道偏离检测方法主要针对结构化道路且需要复杂的多坐标系标注,并不能适用于复杂多变的矿区道路检测问题,本文针对露天矿区非结构化道路场景提出一种简单高效的车道偏离检测算法。首先将上一部分研究得到的车道识别图像进行预处理得到平滑的道路边缘,然后选取适合非结构化道路的最小二乘法进行车道边缘线的拟合,分别得到左右车道边缘线的斜率与截距,并利用图像获取横向偏离参数,进而得到车道偏离的特征参数,最后通过粒子群优化的BP神经网络算法对特征参数进行训练学习,实验结果表明该模型相对其他经典分类模型对矿区车道偏离检测任务具有更高的准确率和更好的鲁棒性。通过本文的研究,将机器视觉与深度学习相结合的方法能够较好的解决矿区非结构化道路识别与车道偏离检测任务,为无人驾驶卡车的实景导航与安全预警提供了一定的参考依据,具有重要的理论价值与实际意义。