随着现代社会的发展，交通环境愈发地复杂多变，全球交通事故发生率居高不下，其中绝大部分是由驾驶员人为因素造成的。智能车可以减少人为事故的发生，有效提升道路交通安全，环境感知是其亟待突破的关键技术之一。本文面向智能车周围环境感知，针对二维视觉图像和三维点云两类数据，以由区域级到像素级逐步细致化、自二维至三维逐步丰富化的思路，从道路目标感知、二维环境感知和三维环境感知三个具体任务展开，挖掘传感器数据中的语义信息，发展出了三个性能良好的环境感知方法。
        本文的主要研究工作如下：
       （1）面向智能车道路目标感知，本文针对无锚框道路目标检测提出了一种前景区域分割方法，以较小的额外计算开销减少复杂交通环境下的杂乱背景信息干扰，进而发展出了一种基于前景注意力机制的道路目标检测网络FII-CenterNet；为了在不引入额外标注成本的情况下实现监督训练，利用边界框标签生成了前景区域分割标签，设计了一种多任务损失函数；实验结果表明，该方法可以有效分割前景区域，缓解杂乱背景的干扰问题，发展出的FII-CenterNet兼具较好的目标感知效果和效率。
       （2）面向智能车二维环境感知，本文针对模型训练像素级标注成本巨大的问题，提出了一种基于保守-激进协同学习的图像半监督语义分割方法。受“求同存异”的思想为启发，提出了保守-激进协同学习方法CPCL，实现了“保守进化”和“激进探索”之间的协同；提出了基于类别分歧度指标的伪标签确定方法，以相对宏观的角度确定分歧部分的伪标签，而不是仅着眼于单个像素；针对难以避免的噪声伪标签，进一步设计了基于预测置信度的自适应动态损失函数，自适应且充分地利用伪标签；实验结果表明，该方法可以高效挖掘无标签数据，仅使用少量有标签数据即可达到较优的语义分割效果，在保证效果的同时，有效降低了智能车二维环境感知模型的训练成本。
       （3）面向智能车三维环境感知，本文针对三维点云数据空间位置信息丰富的特点，提出了一种基于空间上下文特征学习的大规模点云语义分割方法。具体地，提出了一种空间上下文特征的系统化学习方法，包括基于局部方向的局部空间上下文信息表示方法、基于双距离注意力机制的局部空间上下文特征学习方法和基于相对体积比的全局空间上下文特征学习方法，并实现了相应的空间上下文特征学习模块，进而发展出了一种大规模点云分割网络SCF-Net；实验结果表明，该方法可以有效提升智能车三维环境感知性能，同时也可以扩展应用于移动机器人的室内环境感知。
       面向智能车环境感知对语义分割及其应用展开研究，可以强化智能车对其周围环境的理解能力，为后续决策规划系统提供更详细可靠的信息输入，进而提升智能车安全性，对智能车技术和产业的发展具有重要意义。