基于机器视觉的智能车系统的研究，如今非常普遍，国内外都已经取得一定进展。基于视觉的道路识别是智能车系统的基础，对道路识别算法的研究已经非常多，但这些算法都存在局限性，在理想的实验环境下效果不错，脱离了理想环境识别会失败，这严重制约了智能车的发展，提高道路识别算法的鲁棒性迫在眉睫。如今算法主要存在如下三个问题：其一，算法在结构化道路检测效果不错，非结构化道路检测效果差；其二，如今的道路识别算法针对线性模型，对于弯道检测效果差；其三，对于能见度低、对比度差、雨雪及阴影等环境下，算法抗干扰性差。围绕这些问题，本文做了如下工作：　　 论文首先介绍图像预处理算法，对比各种算法，本文选择了如下预处理过程：灰度图像线性变换、灰度图像均衡化、二维一次中值滤波和基于投影法的感兴趣区域划分。经过预处理后图像信息点增强，噪声点得到抑制。　　 其次介绍了图像分割算法，对比了几种阈值分割算法和边缘检测算法，最后本文选择了逐行最优阈值分割算法和Sobel边缘检测算法。　　 对于结构化的道路识别，本文采用基于线段增长法和线性扫描的特征点提取算法，极大地去除伪信息点，而非结构化道路，本文用融合两种边缘检测算法提取道路边缘特征点，克服单一算法的缺点。　　 在模型匹配时，本文为了实现对弯道的拟合，在传统的线性拟合的基础上改进，主要过程如下：在近视野内，用基于中值截距的线性拟合，而对于弯道用Catmull-Rom样条函数的分道线拟合，由于它可以拟合经过控制点的任意形状的曲线，拟合的匹配效果好，且对噪声有很强抑制作用。得到道路模型后，然后确定车辆的定位参数，有车道宽度、车辆位置偏差和方向偏差。　　 视频是由相关序列图像组成，相邻序列间有很强的相关性，对于当前帧的道路识别时，可以用上一帧信息确定此帧的感兴趣区域，从而减小扫描区域，提高算法鲁棒性。　　 最后，介绍了视觉导航系统的结构、工作原理、功能模块和软件算法仿真设计。