随着计算机软硬件技术的发展,人工智能技术的发展速度和发展水平达到了一个前所未有的高度,无人驾驶汽车也渐渐地出现在了大众的视野中。智能化是未来汽车驾驶技术的大方向,而无人车的环境感知技术在自动驾驶技术中起着举足轻重的作用。在无人驾驶系统中,环境感知的主要任务是感知周边环境信息,基于多种传感器激光雷达、高精度摄像机来提取环境信息。这些环境信息主要包括周围物体以及行人的运动速度和位置信息,将要发生的行为信息,运动规则以及行为规范等,提取关键且高效的环境信息是自动系统能够正确决策的重要前提。而基于视觉的无人车感知技术已经成为自动驾驶领域学术研究的重点。本文对基于视觉的环境感知方法与实际应用问题展开研究,构建了一个基于超分辨率算法与自适应不确定性目标检测算法的联合框架,通过边缘增强网络对图像信息进行降噪提取边缘特征并对目标回归中存在的不确定性进行定量评估,结合高斯分布和自适应NMS算法,为系统提供更加精确的环境信息,控制无人车进行避障、决策、安全驾驶等操作,并搭建了智能无人小车环境感知在线实验环境和硬件平台进行实验研究与分析。本文的主要工作如下:1、GAN融合EEN网络的检测模型。模型包括两个部分:生成对抗网络、边缘增强网络（Edge-Enhancement Network,EEN）以及目标检测网络,生成对抗网络通过对抗训练生成中等超分辨率图像（Intermediate Super-Resolution Image,ISR）。在边缘增强网络的基础上,用残差密集块（Residual-In-Residual Dense Blocks,RRDB）代替密集块（Dense Block）,降低了计算量,提高效率,进而提高了 EEN网络的稳定性。利用EEN网络提取中等分辨率图像中的边缘信息,消除噪声,然后将生成对抗网络输出的中等分辨率图像和利用EEN网络提取的边缘特征进行融合,最终得到超分辨率（Super-Resolution,SR）图像,并且通过实验验证了模型的有效性。2、基于高斯分布的自适应不确定性检测模型。提出了一种预测定位不确定性的方法,首先改进了 YOLO3网络,使用RRDB网络代替归一化层,提高模型的训练速度和泛化能力,提取深层语义信息,然后采用高斯分布函数对YOLO3的预测输出坐标进行数学建模,使用方差表示坐标的不确定性置信度,引入自适应NMS算法提高模型对阈值的泛化能力,并用高斯参数重新设计了极大似然回归损失函数,模型对于噪声数据具有更好的鲁棒性,从而在保证检测速度的同时提高检测定位的精度。通过实验分析验证了提出的方案可以定量地评估目标定位的可靠性,能显著降低错误预测（False-Positive,FP）并增加真实正值（True-Positive,TP）,从而提高准确性。3、搭建了基于GAN-EEN与高斯分布的端到端的联合目标检测模型。首先,基于GAN-EEN网络生成超分辨率图像,然后基于自适应高斯混合检测模型进行图像分类和目标定位。在判别损失中加入了 AN-Gaussian YOLOv3算法检测损失,对于生成器提出了两个更有效的损失:感知损失和1范数内容损失。在使用激活函数之前计算感知损失,提取高级特征,有效提升因稀疏激活而导致网络较差的监督性能。设计并搭建了视觉无人车端云协同环境感知软硬件平台,由智能小车、Hi Lens Kit、云端开发系统等组成,由搭载AI芯片处理器的HiLens Kit对采集到的环境信息进行实时处理并通过HTTP上传到云端实时监测数据系统,结合交通规则、控制、决策算法、环境感知算法,利用检测到的环境信息,使无人车能够自主地运动、感知、控制、决策等,迅速、准确地完成任务,并且利用设计的图像增强算法、自适应高斯分布检测算法还可完成其他扩展性任务。