目前,汽车行业的发展已走向追求便捷化和安全化的道路。无人驾驶汽车的开发是这一领域的重大研究目标之一,对交通管理以及行车安全具有重要的意义。无人驾驶技术的实现依赖于智能车辆对环境以及自身所处位置的准确认知,因此智能车的定位与环境理解问题亟需得到解决。针对这一任务,本文面向城市交通场景,利用车载视觉传感器,通过深度学习和传统图像处理方法对车辆周围环境的多种信息进行提取,将提取到的信息与SLAM算法相结合。在改进算法计算精度的同时,构建包含环境几何与语义信息的三维稠密点云地图,为智能车辆提供丰富准确的环境信息。首先,为获取交通环境的语义信息,利用课题组开发的带有改进金字塔空洞卷积池化模块的语义分割网络,结合RGBD四通道图像输入,对交通场景图像进行语义分割。通过实验验证,相较于原网络框架,该网络的改进能够提高网络的精确度。在此基础上,利用语义分割的结果对场景中的物体进行动静状态分割,剔除参与SLAM位姿计算的动态特征点。其次,研究了基于单目视觉的车道线检测算法,来获取交通环境中的车道线信息。其对输入图像进行预处理操作,包括灰度化、双边滤波、自适应直方图均衡化、二值化以及边缘检测。此后,本文利用霍夫变换算法对经过预处理的图像进行直线检测,得到车道线候选线,并求出消失点。根据车道线的几何结构特征对候选线进行筛选,得到当前车道左右车道线的内外边界线检测结果。通过场景实验,验证了本文提出的算法能够检测到准确的车道线,并且具有良好的鲁棒性。最后,针对在包含动态物体和近景特征不足的交通场景中SLAM算法计算精度下降的问题,本文提出了结合道路结构化特征的语义SLAM算法。在位姿计算模块中,通过物体动静状态分割结果剔除动态特征点,并将道路结构化特征检测结果加入到位姿计算的特征点中以补充近景特征点。在地图构建模块中,利用语义分割获得交通场景语义信息,并结合位姿计算模块得到的交通场景几何信息,构建三维稠密点云语义地图。场景实验结果表明,在包含动态物体和近景特征点不足的交通场景下,本文提出的算法能够提高SLAM算法位姿计算的精度,建立有效的语义点云地图。