高质量的场景理解技术是实现高度无人化智能驾驶的关键。园区环境下道路使用者较复杂且处于不断变化移动状态,这给城市园区的场景理解,尤其是对道路参与者及其周边环境的场景理解图像带来了巨大挑战。对此,本文提出了一种引入激光点云的优化区域生长的改进E-Net场景理解算法,实现了园区环境的场景理解。本文具体的研究工作如下:（1）搭建多传感器硬件平台与软件系统。为了提升系统场景理解能力,搭建激光雷达与摄像头硬件平台及开发激光点云与视觉图像融合的数据采集处理的软件系统。基于Qt平台的激光雷达与摄像头传感器数据采集处理交互系统实现了图像和点云数据的采集和处理,减少多传感器独立数据采集处理过程中许多重复性工作耗费的时间,可以直接输出激光点云与视觉图像融合结果,减少了在采集和处理数据时大量的重复性工作。（2）实现激光点云与视觉图像的数据融合及数据处理。依赖于单一传感器实现感知,无法达到最优的场景理解,因此本文通过激光雷达与摄像头内外参标定后对传感器之间进行联合标定融合,实现不同维度数据的融合。并采用二值化滤波对图像数据进行去除噪声处理;对点云数据进行双边滤波、地面分割、欧式聚类等后处理操作,实现地面点与地面障碍物点云数据的有效区分,为之后优化区域生长算法提供基础。（3）提出一种基于优化区域生长的改进E-Net场景理解算法。由于语义分割网络对小型景物分割精度较低,因此本文提出一种引入激光点云的优化区域生长的改进E-Net场景理解算法,实现了园区环境的场景理解。通过先将欧式聚类后的点云组作为种子映射到E-Net语义分割输出结果上,后提取原始图像的Canny边缘像素坐标作为区域生长边界绘制在E-Net语义分割输出图像上,实现每个目标景物的确切图像区域检测,有效提升了 E-Net语义分割对小型景物的分割精度。（4）对改进后E-Net场景理解算法的进行充分验证。本文选用不同数据集进行实验验证,其中包含实际园区采集数据集与智能驾驶公有数据集KITTI。首先应用了改进前后的场景理解算法对实际采集的园区数据进行处理,通过进行可视化对比,证明改进的E-Net场景理解算法可以检测出更确切的小型景物区域。同时,选用公有数据集KITTI进行实验验证,实验结果表明改进后的E-Net在小型景物的平均分割精度上提升效果明显。综上所述,本文应用多传感器融合、区域生长算法等方法改进了 E-Net场景理解算法,实现了园区环境的场景理解,有效提升了园区环境下小型景物图像区域检测的准确性,重点解决了园区中各种道路参与者的语义描述及分割精度问题,为园区环境的智能驾驶提供有益参考。