随着深度学习技术的发展，越来越多的应用得以实现，无人驾驶就是新一代人工智能浪潮下的产物，也是当前研究的热点，不仅降低了人力成本，而且很大程度上降低事故的发生率。无人驾驶技术的应用场景也越来越多，例如货物运输，载人出租车等。本文设计的是矿区场景下无人驾驶的可行驶区域分割和目标检测模型，并部署到嵌入式端在实际场景下进行性能测试，完成了矿区场景的地图端语义分割、矿卡端语义分割和矿卡端目标检测任务。本文研究内容如下：
　　首先，介绍本课题的研究背景，对国内外的相关研究方法做出介绍，对目前深度学习的技术应用和发展脉络进行整理，结合本文的研究内容阐述深度学习的发展过程。基于目前的研究现状，对本课题主要的研究内容做出分析，并简要说明相关领域的技术需求。
　　其次，介绍了矿区的环境，并指出矿区环境存在的挑战。针对矿区的环境特点，提出解决矿区环境需要的图像处理的一些基本算法，给出了矿区无人驾驶这种特殊环境下需要的技术解决方案。针对矿区环境下的任务选择了语义分割和目标检测图像处理技术，突出卷积神经网络结构的空间特性和循环卷积神经网络的时间特性。
　　然后，分析了地图端和车端的可行驶区域分割任务需要的基础网络结构，选择适合矿区场景下的模型进行迭代优化。地图端要求高精度，车端要求在Xavier嵌入式端能同时保证速度和精度。地图端的分割任务在矿区的地面站完成，完成后将地图信息回传到车端，车端再综合考虑自身的分割结果和地图端的信息来实现自动驾驶的道路分割任务。
　　最后，完成车端的车辆检测任务，并将矿卡端的车辆检测模型部署到Xavier嵌入式端。为保证车端任务的实时性，选择轻量级的网络结构实现检测任务。根据基础网络进行卷积策略和损失函数的优化，并将优化后的网络模型部署到高性能的Xavier设备。