自动驾驶作为我国新一代人工智能发展规划的重要部分,也是世界各国大力发展的重要领域。然而当前自动驾驶感知技术在全天况、开放环境中存在泛化能力与精度不足问题,因此构建具有强泛化能力、高精度性能的自动驾驶感知模型具有重要意义。本文基于深度卷积网络理论,结合图像视频数据和激光雷达捕获数据,开展了交通场景中的车道线检测及道路分割研究,具体研究内容如下:研究了一种基于图像数据的道路分割算法。针对图片中道路与背景区域面积不均衡导致算法收敛慢的问题,本文对模型损失函数进行权重优化。针对视觉数据的道路分割中易产生空洞、漏检及边沿误检问题,本文基于空洞卷积残差网络的特征提取模块,引入多级高低层特征融合、空洞金字塔池化,实现模型的特征强化,并在数据输入上扩充图像深度谱,最终建立了一个端到端的道路分割模型。在自建及KITTI数据集上实验证明,其有效提高了模型的收敛速度和精度。研究了一种基于视觉的车道线检测算法。针对车道线狭长特性易导致车道线断裂问题,本文构建基于空洞卷积的特征提取框架,后端融合类马尔科夫随机的空间卷积网络,有效挖掘了远距离像素点的关联特征,最终减小了车道线分类误差。研究了基于LiDAR数据的道路提取算法。针对LiDAR数据缺少道路区域标注问题,本文利用传感器的空间关系,建立了视觉数据标签对点云数据的标注。并针对道路边沿误检问题,设计了一个融合点云法向量及反射强度等多样特征的点云分割网络。实验证明,其有效提高了模型的收敛速度和最终精度。最后,提出了融合两种数据的道路分割网络。在该网络基础上,为充分挖掘信息,进一步引入了视觉和点云特征提取模型,并融合了两种数据特征,建立了端到端道路分割模型。在KITTI数据集上实验证明,融合模型鲁棒性及测试精度高于单数据道路分割算法。