地图在智能驾驶中扮演着十分重要的角色,地图是智能车能够顺利抵达目的地的保障。地图的核心元素是存储在其中的各类地标及其代表的实际意义,这些地标贯穿智能驾驶的整个过程,包含车辆定位、辅助感知、辅助决策,因此进行地标识别的研究是十分有必要的。为了识别这些地图核心元素,本文提出了基于深度学习的地标识别方法,包含道路级地标识别方法以及车道级地标识别方法,本文主要内容如下:针对道路级地标,包含各类交通标志牌、交通信号灯、指示牌、路灯等交通标志,本文首先建立了电子科技大学清水河校区的交通标志数据集并分析交通标志牌具有小目标且类别间相似的特点,然后提出了基于多层次融合多尺度预测的道路级地标识别网络。网络主要分为两个结构:1、多层次融合结构,本文首先根据道路级地标分布特点改进了特征提取结构,然后提出了基于稠密连接方式的特征融合结构,更加关注网络低层的特征图,旨在提升网络对于小目标的识别效果;2、多尺度预测结构,在网络的预测阶段通过多尺度的特征图来进行预测,不同尺度的特征图负责识别图像中不同尺寸的目标,使得网络对于大目标和小目标均能实现较好的识别效果。最后在数据集上进行训练和测试,实验结果显示,本文方法相较于当前主流的目标检测网络Yolov3在mAP指标上提升了3.81%。针对车道级地标,包含车道线、允许直行、允许左转等交通标线,本文首先分析了车道级地标局部相似的问题,然后提出了融合全局特征和局部特征的车道级地标识别网络。在特征图层次,针对局部相似的问题提出了基于多尺寸大卷积核的特征融合结构,通过大尺寸的卷积核使得特征图保持更大区域间的紧密连接;在网络层次,提出了基于通道注意力机制的高低层特征融合结构,提高特征的有效性;在预测层次,将上采样阶段不同尺寸的特征图先融合后预测。实验验证本文提出的网络实现了车道级地标的识别功能,相较于Unet网络在mIoU指标提升了7.11%,在mAcc指标上提升了7.89%。为了验证本文网络的泛化能力,首先介绍了智能车平台和数据采集模块,通过该平台采集了校园区域的真实数据,测试验证了本文网络对于地标识别的可靠性和稳定性。