近几年机器学习技术不断取得突破,尤其以深度学习技术常在不同领域取得超乎预计的进步。自动驾驶技术作为深度学习应用落地的重要领域而备受关注。深度学习技术在其中一般用于目标检测,语义分割,目标跟踪,深度估计等功能。而同时兼顾两个及以上功能的神经网络被称为多任务深度神经网络。而在实践中发现,车载芯片有限的计算力与深度模型庞大的计算消耗成为阻挡应用落地的最大矛盾。单一功能的深度神经网络运行在车载芯片上尚且难以实时,更遑论为了提供安全的自动驾驶需要同时运行不同功能的神经网络。所以随着自动驾驶技术研发走向深入,多任务深度学习神经网络开始成为自动驾驶技术落地的重要解决方案之一。本文通过对自动驾驶场景中目标的分析,提出一种新的多任务深度学习神经网络模型。该模型基于稠密凸目标图中实体目标底层维度边界与不同目标的分割边界近似的特点,通过将可行驶区域拆解为道路目标的方法,使用目标检测方法处理语义分割问题。新模型能够在处理目标检测和区域分割任务的同时,取消以往多任务网络中的编解码结构,减小了模型结构和运算流程,提高了多任务网络的实时性。并且通过多目标框融合方法避免了在决策关键区域可能出现的误判和干扰噪声,提高了模型的鲁棒性。本文通过对目标深度估计问题的分析,提出一种新的目标深度估计算法。该算法通过对车辆后视外观聚类分析获得对于车辆目标的结构化理解。该算法在此基础之上对传统图像方法进行改进,使之能够被应用于多任务神经网络中。本文在理论计算和实际场地测试中验证了这种算法的有效性和稳定性。并对比分析了传统图像和深度估计分割网络方法证明了本算法更具有精确性。本文将该算法整合进多任务深度学习网络中,使本文模型能够同时处理目标分类,目标检测,可行驶区域分割,深度估计多种任务。