随着车辆智能化进程的不断加速,智能汽车具有减少交通事故发生、提高交通运输力和改善交通状况的重要意义,已成为不可缺少的交通工具之一。然而面对复杂的道路交通环境,特别是非结构化道路场景,要实现智能车辆的完全自主导航行驶,现有的智能导航系统仍然面临着巨大的挑战。现阶段智能车辆智能导航系统在处理速度和精度方面上,激光雷达表现最为出色,在实现高精度定位中扮演着重要的角色,但由于其高昂的生产成本影响了市场化推广进程。相比之下,视觉传感器以其采样速度快、质量轻、功耗小和价格成本低等优点脱颖而出。然而,基于视觉的智能车辆环境感知技术依然面临易受光照影响、道路类型影响和天气干扰等问题。因此本文针对智能车辆双目视觉系统中的路面障碍物识别算法、道路分割技术,以及路线规划算法等存在的问题进行了深入研究,具体研究内容包括:（1）基于双目立体视觉的道路场景障碍物识别技术研究。针对在视差不连续区域、遮挡部分和弱纹理区域,传统局部立体匹配算法匹配精度低下等问题,本文提出一种引用特征金字塔结构的多尺度网络匹配算法。首先结合特征金字塔构建立多尺度网络,从多尺度上实现对图像的特征提取,提高初始匹配代价精度;接着,代价聚合阶段采用高效率引导图滤波实现;然后改进动态规划算法实现视差值的选择;最后利用左右一致性等视差精细化算法得到高精度视差图。本文采用Middlebury数据库所提供的图像对所搭建网络进行训练和测试,实验结果表明:所提算法得到的视差图精度远高于传统局部匹配算法,接近全局匹配算法,效率上远高于全局匹配算法。另外,采用栅格法在视差图上进行障碍物检测,所得结果能准确的检测出障碍物。（2）非结构化道路场景的道路识别研究。针对非结构化场景具有缺乏清晰的道路线和存在复杂的背景干扰等问题,尤其在背景干扰下使得先前许多检测方法的精度和鲁棒性尚不尽人意,本文提出了一种基于立体视觉的消失点检测方法。首先利用双目视觉技术快速估算出道路图像的背景区域和路面区域;接着,设计四方向,5尺度的Gabor滤波器组估计道路图像各个像素点的纹理响应,并采用幅值校正来减少偏差;然后根据背景区域设定一系列投票点选择策略,以去除背景区域的影响提高算法精度,根据路面区域设计一种动态调整候选点的方案,以减少消失点的搜索范围提升算法的效率;最后设计一种角度优先的投票函数,将在投票空间中获得最高票数的候选点视为消失点。针对Kong等人所提路面分割算法容易出现过分割的缺点,本文提出一种多特征融合的路面分割方法。首先利用消失点定义道路模型;然后分别计算道路图像的纹理、道路区域占比和道路颜色三种视觉特征;最后通过贝叶斯估计融合三种视觉特征,最大化贝叶斯后验概率密度计算分割出道路线。在大量非结构化道路图像中的实验表明,本文方法在具有复杂背景的道路场景都有很好的鲁棒性,在检测速度和检测精度上都有显著的提升。（3）基于A*算法的越野场景路径规划技术研究。针对复杂越野自然环境传统路径规划算法难以准确的规划出安全有效的路线问题,提出了一种复杂越野自然环境下基于改进的A*算法的路径规划算法。根据越野地表属性的道路通行系数构建栅格地图,模拟实际的越野环境和车辆通行风险评估;引入方向变化惩罚和局部区域环境特征惩罚,修正A*算法的评价函数和子节点的选择规则,减少路径的转弯次数和自适应调整算法的搜索空间以提高算法的运行效率;引入双向同时搜索策略来改进Floyd算法,实现对规划路径的平滑优化;提出了基于越野地图的安全距离策略,保证车辆远离具有威胁性的物体,以满足车辆安全性要求。结果表明,改进的A*算法相比传统算法拐点数减少了4倍,效率提高了30%,能够在障碍物、环境威胁和道路条件共同耦合作用的越野环境条件下快速的规划可行的行驶路径。