交通道路环境感知是自动驾驶、先进辅助驾驶系统中的关键环节,是后续车辆控制和决策的基础。精确、快速地感知交通场景可以提高自动驾驶汽车的安全性。与激光雷达、毫米波雷达等传感器相比,视觉传感器具有信息量大、成本低等优势。另外,随着深度学习技术的快速发展以及硬件性能的大幅度提升,基于视觉的环境感知技术被广泛用于自动驾驶系统。然而,现实道路交通环境复杂多样,车辆、行人等目标差异较大。而且,视觉传感器容易受到光照条件的干扰,在恶劣条件下成像质量低,所以基于视觉的环境感知技术仍然面临巨大的挑战。另外,由于车载嵌入式设备的计算能力、存储空间有限,要求感知算法计算复杂度低、内存占用少。本文针对自动驾驶汽车环境感知过程中“精度”和“速度”两方面,围绕道路环境中多种交通要素,对复杂环境下的视觉环境感知关键问题进行研究。本文主要的工作和创新点总结如下:（1）针对自动驾驶汽车需要精确的车道线位置信息的问题,提出了一种深度监督的全卷积车道线检测网络。该方法引入空洞卷积以减少主干网络的计算量,提高网络的表示能力。使用新的特征融合模块有效地融合不同层的特征。为了在不增加任何测试时间的条件下深入挖掘各层特征,使用深度监督机制对不同输出层进行监督。该方法可以以25FPS的检测速度输出精确的车道线检测结果。（2）相对于基于候选框的检测器而言,基于回归的目标检测算法摒弃了候选框生成和特征重采样步骤,虽然检测速度快,但精度较低。为此,提出了一种Z型残差目标检测网络,该网络通过Z型结构有效地融合浅层和深层的特征信息以获得鲁棒的特征表示,并使用残差网络逐步地提高定位和分类精度。在目标检测精度和速度之间获得了更好的平衡,显著地提高了基于回归的目标检测器的性能。另外,为了解决背景复杂、遮挡等因素导致漏检、目标跳变等问题,提出了一种连续信息融合策略以提高检测性能,获得更准确、平滑的检测结果。（3）针对目标检测网络优化问题,对所提出的残差回归模式深入挖掘,提出循环金字塔目标检测网络,该网络在训练时使用多层金字塔特征,但在测试阶段仅使用主干检测网络。由于检测部分被压缩,所以进一步加快了检测速度。针对车道线检测网络优化问题,提出使用自知识蒸馏迫使学生网络从复杂的教师网络学习“暗知识”,从而压缩复杂的检测网络,提高运行速度。针对独立运行目标检测网络和车道线检测网络实时性差、内存消耗大等问题,将车道线检测网络和目标检测网络融合在一起,组成多任务网络。（4）对于数据量少、多样性不足而导致模型的泛化能力差等问题,提出一种级联的金字塔生成对抗网络生成更多样本。该方法通过级联的金字塔生成器逐步地提高生成图像的分辨率,使用多尺度判别器辅助生成器丰富细节信息,并结合特征匹配损失稳定训练。作为数据增强的一种方式,所提出的级联的金字塔生成对抗网络可以在不增加任何测试时间的情况下提高模型的泛化能力。上述所提出的算法均在相应数据集上得到验证,实验结果表明本文提出的所有算法都能为交通道路场景中的环境感知问题提供合理有效的解决方案,同时满足对精度和速度的要求,为自动驾驶中的环境感知问题提供了新思路。