近年来,目标检测作为辅助驾驶系统获取视觉信息的核心技术,对道路障碍物自动检测具有重要的现实意义。在真实的驾驶场景中,由于汽车通常行驶在道路区域,人行道区域障碍物对驾驶安全没有影响,因此获取障碍物的所处区域信息十分重要。本文在研究障碍物目标检测的基础之上,结合语义分割方法得到场景语义信息,开展了结合场景语义信息的目标检测研究,主要研究内容包括如下:（1）针对YOLO v4算法的目标检测模型准确率偏低的问题,本文设计了对其的改进算法。使用Kmeans++聚类生成适合数据集的先验框,增强尺度自适应性;且将CIoU作为坐标预测的损失函数,提高预测准确率,从而获得改进的YOLO v4检测算法。实验表明,相比于YOLO v4,改进算法的检测准确率提升了 2.03%。（2）针对Deeplab v3+算法的语义分割模型存在大目标分割准确率不够高的问题,本文改进了 Deeplabv3+算法的网络结构。引入语义路径模块与原有的ASPP模块并行,增大网络的感受野从而提高大目标的检测精度。实验证明,相对于经典分割算法Segnet、Deeplab v3+,改进后Deeplab v3+算法的平均交并比分别提高2.02%、0.14%,道路的交并比分别提高1.76%、0.62%,人行道的交并比分别提高7.77%、1.80%。（3）为了获取障碍物目标所处的区域信息,本文提出了结合场景语义信息的目标检测算法。首先,对街景内障碍物进行目标检测以获得目标分类和检测框的预测信息;其次,对该街景进行语义分割以获得每个像素的所属类别,得到道路和人行道区域的像素信息:最后综合上述信息,对每个障碍物检测框内的像素信息进行统计,获得障碍物的区域信息。分别统计检测框内下方70%、40%、10%范围的道路像素所占比例,对道路障碍物判定的平均精确率分别为95.15%、96.14%、92.68%,平均误检率分别为4.80%、4.18%、7.72%,单张图像的平均处理时间为0.67s。实验表明,根据检测框内下方40%范围的像素统计能有效获取单个目标的场景语义信息。综上所述,本文改进的YOLO v4目标检测方法能更精确检测障碍物;改进的Deeplab v3+语义分割方法能提高道路和人行道区域像素的检测准确率:据此提出结合场景语义信息的目标检测算法,可以有效获取障碍物的所处区域信息,以区分对驾驶安全有影响的障碍物。本文结合现有辅助驾驶领域的研究内容,提出了一种获取道路障碍物信息的方法,对提高驾驶安全有着重要意义。