视觉算法在智能驾驶的交通场景感知中有着广泛的应用。作为后续决策、规划、控制算法的前置环节,感知算法需要较高的精度;为了保证信息的有效利用和车辆的安全性,算法也需要具有较高的效率。交通场景的视觉感知通常采用精度较高的深度学习算法,但这类算法往往计算量较大,效率较低。因此,有必要对算法的精度-效率平衡进行研究,保证算法的实用有效。本文首先介绍了视觉算法在交通场景感知中的应用,并讨论了交通信号识别和交通场景解析这两类子任务的联系和区别。然后对算法的精度-效率平衡的必要性、目标和方法进行了理论分析。在此基础上,开发、训练了交通场景视觉感知算法,并验证了其精度-效率平衡性能:（1）对于交通信号识别,选择了最常用的交通灯和停车位标志作为感知对象,并将其抽象为目标检测问题。对于这类问题,单步目标检测算法能够以较高的效率实现可以接受的精度,但仍有改进的空间。本文基于不同的解码器和基础网络,开发了多种算法,并对其精度和效率进行了比较。测试结果表明,多种算法的精度接近,但基于轻量化基础网络Mobile Net和高精度解码器SSD的交通信号识别算法具有较高的效率。（2）对于交通场景解析,选择了针对可计数对象的目标检测任务和针对不可计数对象的可行驶区域分割任务,自主开发了实时多任务算法Shu DA-RFBNet。利用精心设计的、共用基础网络并结合多种高精度解码器的网络结构,Shu DA-RFBNet可以高效、高精度地同步实现多个任务。测试结果表明,算法能以40FPS的帧率实现32.71%的多目标检测m AP和82.67%的可行驶区域分割m Io U。（3）选择具有真实动力学特性的底盘、具有合理算力的计算单元和多平台一致的开发工具,搭建软硬件平台进行算法的部署和验证。验证结果表明,Mobile Net+SSD能够以10FPS的帧率和较小的延迟实现高精度的交通信号识别;Shu DA-RFBNet能够以30FPS的帧率实时、准确地感知真实的交通场景。总的来说,本文面向精度-效率平衡,研究了交通信号识别和交通场景解析这两类交通场景感知算法。对于每一种算法,都从设计、实现、训练、部署等方面进行了全面而深入的研究。测试和验证表明提出的算法均能够较好地保证精度-效率平衡。