复杂条件下的行车环境感知是当前车辆辅助驾驶研究的热点课题,也是交通领域面临的难题之一。本文针对复杂行车环境的信息多样性,提出车路环境中多种成像目标深度稀疏优化分类识别的感知方法,并在不同目标感知基础上进行行车环境表征研究。论文以车路环境下图像的目标分类表征为研究对象,针对车路视觉图像的预处理,车路场景中图像目标分类,图像目标边界优化,以及视觉协同感知的行车环境表征等关键技术展开研究,为智能辅助驾驶提供一定的理论支持。在复杂车路行车环境感知方面,首先,构建车路图像获取的方案框架并选取相关器件,由于摄像头采集的图像易受噪声影响,出现目标与背景区分不明显等问题,本文采用双边滤波算法对图像进行滤波去噪,并提出一种针对彩色图像的图像增强算法,提升图像全局亮度,同时图像边缘细节对比度增强。其次,针对车路目标比较复杂且种类颇多,难以利用图像的单一特征进行目标分类表征,提出了多源融合及多尺度池化的图像分类算法,通过在网络输入端加上灰度图像和canny算子变换的图像,丰富图像特征的表达能力,引入多尺度池化提取图像更多细节特征,通过融合得到图像全局信息,增强了网络对车路环境目标识别的能力,提高了目标识别的准确度。再次,对于分类后的图像存在目标边界信息和局部小区域误分割的情况,利用像素之间的关联性,提出基于超像素和条件随机场结合的方法,先在图像分类的基础上结合超像素对图像目标的细节和边界重新分类,再使用条件随机场算法对图像边界细化,提高了图像分类的整体性能指标。然后,在行车环境表征方面,采用基于贝叶斯推理的栅格地图理论对分类后的有效车道区域构建栅格并实时更新,利用贝叶斯后验概率计算每个栅格单元状态,并检测车道中存在的动态障碍物。最后利用实时采集的图像进行实验,实验结果表明,本文研究的算法可有效提高车路环境目标识别的鲁棒性和精度,成果具有一定的实用性。