随着国家绿色矿山和矿山智能化建设规范的推行,无人驾驶矿卡技术在露天矿山生产运输中相继落地,而矿区道路环境的实时智能感知作为无人矿卡与外界环境信息交互的枢纽,是实现露天矿运输卡车安全运行的关键之一。环境智能感知作为无人驾驶车辆的“眼睛”,为卡车决策系统提供重要的信息支撑。图像识别与激光雷达融合的感知方法因障碍物识别率高、距离测量精确,逐渐成为障碍检测的热点。本文研究主要基于深度学习的障碍检测和跨模态数据融合方法,对露天矿无人卡车行进障碍检测进行深入研究。本文研究主要内容包括:（1）车辆行进障碍图像预处理及数据集构建研究。通过实地采集和人工标注,增加了碎石、坑洞等露天矿区道路障碍,同时对道路中行驶的车辆型号进行了进一步细分。为了解决训练过程中数据集样本分布不均衡问题,使用了传统数据扩增方法和基于泊松融合的小目标增强算法,进一步增强小目标与多尺度障碍的数据特征。（2）基于机器视觉的矿区道路障碍物检测模型研究。针对露天矿区非结构化道路复杂多变,当前检测方法无法满足障碍物的多尺度及小目标检测能力,在特征提取阶段提出了更适应于目标检测的Rep VGG+骨干网络;在特征融合阶段,提出基于Sim AM空间与通道注意力和跨阶段连接的双向特征融合金字塔模型。通过扩大预测小目标障碍的特征图和特征感受野,提升小目标障碍检测性能,通过双向特征融合机制提升多尺度检测性能。同时对网络分类预测模块和损失函数进一步优化,提升障碍检测性能,降低特征冗余,加快模型推理速度,从而实现了对矿区道路障碍物的实时精确检测。（3）基于跨模态数据融合的无人矿卡车前障碍测定方法研究。通过计算相机的内参,矫正图像畸变并获得像素在图像坐标系的精确位置。并使用特征点匹配法计算图像坐标系与激光雷达之间的外参,得到两个坐标系之间的转换方法,达到图像与点云数据的跨模态融合的目的。同时在障碍物空间位置定位中提出了非中心抑制算法,实现了对露天矿区行车障碍目标距离的精确测量。通过实验结果分析可知,本文提出的露天矿区无人车行进障碍融合检测方法,对露天矿区道路的多尺度小目标障碍物有着良好的检测效果,同时在道路障碍的距离检测方面,相较于机器视觉方法精度更高,可以对无人驾驶行车障碍物完成精准测定。最后将本文方法应用于露天矿无人矿车进行实验测试,结果表明该方法可以满足露天矿区非结构化道路障碍物的精确检测要求。