深度卷积神经网络的特征检测通过训练数据来进行学习，避免手工显式提取特征，而是从训练中学习特征，且同一特征映射面上的神经元权值相同，网络可以并行学习，权值共享降低了网络的复杂性，可以将多维的图像数据直接输入到网络中，从而避免特征提取和分类过程中数据重建的复杂度，项目拟采用卷积神经网络无监督构建特征，通过卷积神经网络的前向传播、反向传播以及梯度下降三个阶段的反复迭代，自适应提取图像的特征向量，实现图像特征对全天候环境的泛化能力，进而提升障碍物特征表达的自适应性，为进一步降低障碍物识别的虚警率，拟采用支持向量机有监督学习的方式对提取后的特征做进一步筛选，保留满足高精度的神经网络中的权值。利用上述算法提取的障碍物自适应特征，结合深度学习技术中的SSD模型和Faster RCNN以及YOLO算法可以较好地实现多障碍物的识别和分类，且实时效果好。因此，可以考虑在相关模型中改进得到一种高速度、高精度、鲁棒性强的多障碍物识别分类方法。