随着人工智能技术的发展,未来出行的无人化和智能化逐步成为现实,其中道路信息检测的准确性成为自动驾驶车辆能否安全可靠行驶的前提和关键。凭借着深度学习技术的不断完善,针对常见目标检测和语义分割任务的道路信息检测算法已经有了较多研究成果,但大多是针对某项单一任务而忽略了道路信息之间的关联性,并且较少考虑车辆的计算性能。因此,如何利用有限的车载计算资源实现目标检测和语义分割多个任务同时处理,是目前自动驾驶技术的研究重点。针对上述问题,本课题对道路信息检测中的的目标检测和语义分割任务展开研究,通过设计一种基于多任务学习的深度学习网络模型实现了多任务的同时处理并且不占用过多的计算资源。主要研究内容包括:（1）针对道路环境下车辆检测问题,本文通过对比分析不同的算法模型的技术特点,以YOLOv4为基础搭建目标检测网络,并针对道路场景进行了改进。首先对特征融合网络进行改进,设计并使用残差融合模块（Res＿CBL）替换原结构中的卷积模块,有效的减少参数量;其次,采用BDD100K数据集重新聚类更加适用于道路场景的锚框以减少算法收敛时间和提高准确度;最后,对模型结构和损失函数进行改进,以提高道路场景中的远距离小目标检测的准确性。实验结果表明本文改进的目标检测网络针对道路场景具有很好的适用性。（2）针对车道线检测、可行驶区域检测问题,本文使用编解码结构搭建分割网络,并根据道路场景的需求设计具体的网络模块。首先为了保证网络的实时性,解码网络中设计并使用了参数量更少的深度可分离卷积模块（Conv＿ds＿block）,其次,为了使分割结果更加准确,本文在解码网络中引入了注意力机制。通过实验分析,本文设计的分割网络在保证实时性的条件下具有较好的分割性能。（3）针对车载计算资源的有限性,本文参考多任务学习算法搭建可同时完成目标检测和语义分割任务的深度学习网络模型,其中目标检测算法负责道路车辆检测,语义分割算法负责车道线检测和可行驶区域检测两项任务。为了减少参数量和充分利用不同道路信息检测任务之间的耦合关系该网络模型中目标检测和语义分割网络共享编码结构以及部分特征融合结构。通过实验验证,本文设计的多任务网络模型在保证实时性的情况下,能够同时的完成检测、分割任务。综上所述,本文根据道路信息检测的任务需求,搭建了基于深度学习的目标检测和语义分割算法的融合网络,通过实验表明其可以同时完成车辆检测、可行驶区域检测、车道线检测任务,并且保证了检测的准确性和实时性。