摘要：现有基于机器学习的道路分割方法存在当训练样本和目标场景样本分布不匹配时检测效果下降显著的缺陷。针对该问题，该文提出一种基于深度卷积网络和自编码器的场景自适应道路分割算法。首先，采用较为经典的基于慢特征分析（SFA）和GentleBoost的方法，实现了带标签置信度样本的在线选取；其次，利用深度卷积神经网络（DCNN）深度结构的特征自动抽取能力，辅以特征自编码器对源-目标场景下特征相似度度量，提出了一种采用复合深度结构的场景自适应分类器模型并设计了训练方法。在KITTI测试库的测试结果表明，所提算法较现有非场景自适应道路分割算法具有较大的优越性，在检测率上平均提升约4.5%。

关键词：道路分割 场景自适应 深度卷积神经网络 复合深度结构 自编码器 

单位：江苏大学汽车与交通工程学院; 镇江212013; 江苏大学汽车工程研究院; 镇江212013; 克莱姆森大学汽车工程系; 美国南卡罗拉纳州29634