语义分割是实现道路语义环境解释的重要方法，深度学习语义分割由于卷积、池化及反卷积的作用使分割边界模糊、不连续以及小目标漏分错分，影响了分割效果，降低了分割精度。针对上述问题，提出了一种结合语义边界信息的新的语义分割方法，首先在语义分割深度模型中构建了一个语义边界检测子网，利用网络中的特征共享层将语义边界检测子网络学习到的语义边界信息传递给语义分割网络；然后结合语义边界检测任务和语义分割任务定义了新的模型代价函数，同时完成语义边界检测和语义分割两个任务，提升语义分割网络对物体边界的描述能力，提高语义分割质量。最后在Cityscapes数据集上进行一系列实验证明，结合语义边界信息的语义分割方法在准确率上比已有的语义分割网络SegNet提升了2.9%，比ENet提升了1.3%。所提方法可以改善语义分割中出现的分割不连续、物体边界不清晰、小目标错分漏分、分割精度不高等问题。

针对智能车辆在非结构化道路识别中需要采用众多的特征参数，增加了特征融合识别难度与计算复杂度，并且部分背景与道路区域存在相似性会产生道路识别的误分、误判的问题，提出了一种基于主成分分析的支持向量机（PCA-SVM）准则改进区域生长的非结构化道路识别算法。首先，对非结构化道路颜色、纹理等复杂特征信息进行提取，采用PCA对提取的特征信息进行降维；然后，利用降维后的主元特征对SVM进行训练后作为复杂道路单元格的分类器。利用道路位置、起始单元格等先验知识以及道路边界单元格统计特征改进区域生长方法，在单元格生长时利用分类器判别，排除误判区域。实际道路检测结果表明，所提算法具有较好的鲁棒性，能够有效识别非结构化路面区域。对比结果表明，所提算法在保证准确率的同时，将10余维复杂特征信息压缩为3维主元特征，相比传统算法可缩短计算时间一半以上。针对背景与道路相似区域造成的传统算法10%左右的误判问题，所提算法能够有效排除。在野外环境下基于视觉的局部路径规划与导航方面，所提算法为缩短识别时间、排除背景干扰提供了可行途径。