汽车环境感知系统可以为自动驾驶的后续决策提供信息支持,而感知信息的稳定性和准确性关乎汽车的行驶安全,是实现无人驾驶的安全保障。基于卷积神经网络（CNN）的图像目标检测目前广泛应用于智能车的环境感知任务,虽然此类算法相比于传统方法具有准确高效等优点,但也存在以下明显的不足:1)作为数据驱动的算法,需要海量的标注数据做支撑,由此带来了费时费力成本高昂的数据采集和数据标注负担;2)算法假设训练集和测试集具有相同的特征分布,但在自动驾驶应用中通常不满足此条件,而当特征分布不同时产生的域漂移会导致检测器性能的显著下降。领域自适应学习作为迁移学习的分支,可以利用已有知识解决相关领域的问题,能够有效改善CNN对标注数据的依赖问题,因此本文使用基于伪标签的领域自适应方法,对检测器在多种天气和光照情况或多种城市环境下的检测精度进行适应学习,主要工作如下:（1）基于伪标签的域适应学习框架。首先,前端检测器生成当前驾驶环境（目标域）图像的伪标签。伪标签优化模块对标签内可能存在的错检、漏检和定位不准等错误进行修正,并基于修正结果标记困难样本。数据采样模块依据困难样本数量对目标域图像进行采样,以组成用于重训练的混合域数据。为了减少噪声信息影响,重新训练模块使用知识蒸馏和标签平滑方法对前端检测器进行参数更新。本文使用多个公开数据集及本地行车视频进行了跨域实验并与目前先进的算法进行了对比,结果表明本文提出的方法优于现有方法。（2）基于伪标签的在线域适应学习框架。本文在先前工作的基础上,针对目标域在线输入的需要,提出在线域适应学习框架。在线输入图像经过前端检测器生成伪标签,随后伪标签优化模块使用源域和目标域数据进行对抗训练后对伪标签错误进行修正,最后对前端检测器进行迭代更新。本文使用BDD100K数据集进行了跨域实验,通过迭代更新检测器性能获得了明显的提升。