随着人们对汽车安全技术的日益重视，汽车智能辅助驾驶系统的研究与应用得到了快速的发展。车道线检测作为道路环境感知系统的重要组成部分，被广泛应用在多种汽车智能辅助驾驶系统中。车道线检测使用车载传感器获得前方道路环境信息，然后通过对道路环境信息的分析处理，提取出前方道路的车道线信息。道路环境感知系统中的道路环境信息大多是通过视觉传感器和雷达传感器获得的。基于视觉的车道线检测算法在近距离可以获得较准确的车道线特征信息（车道线位置、车道宽度），但是检测距离有限且容易受到外界环境的干扰，尤其是高速公路交通环境下，需要道路环境感知系统能够检测更远距离的车道线信息。雷达传感器具有较视觉传感器检测更远距离和抗环境干扰的能力，且根据雷达对前方道路环境的检测信息可以获得前方道路的曲率信息。因此本文提出了将根据道路环境雷达信息估计的道路曲率和基于视觉检测的近距离车道线信息进行融合，从而获得适应性更好的车道线检测方法。基于视觉传感器的车道线检测算法目前已经有了比较丰富的研究基础。本文的基于视觉的车道线检测算法是通过对道路图像进行灰度化处理和阈值分割处理将道路图像信息进行有效简化，然后对道路图像使用Sobel算子检测图像边缘，最后对感兴趣区域内的道路图像通过霍夫变换提取近距离车道线信息。对于获得的前方道路环境的雷达信息，本文针对雷达检测目标是静止物体还是运动车辆，分别提出了不同的道路曲率估计算法。根据前方静止物体的雷达信息估计道路曲率的基本思想是通过对有效静止物体群基于选取的道路模型进行曲线拟合，从而获得前方道路曲率。根据前方有效目标车辆的雷达信息估计道路曲率是通过状态估计获得前方目标车辆的横摆角速度和纵向速度，然后通过道路曲率估计器计算出前方道路曲率参数。此外，通过Carsim＆Simulink联合仿真对提出的基于雷达信息估计前方道路曲率算法的有效性进行了验证。最后，对前方近距离的车道线视觉特征信息和通过雷达信息估计的前方道路曲率信息的融合机理进行了研究。本文首先将基于视觉的本车处道路曲率信息c0v与基于雷达的本车处道路曲率信息c0r进行融合，然后基于其不同作用距离范围融合前方近距离的车道线视觉特征信息和远距离的道路曲率信息。针对在车道线检测中的六种工况：直道工况，弯道工况，前车驶离工况，前车驶入工况，入弯工况以及出弯工况，进行了仿真试验与结果分析，从而验证了本文提出的综合考虑视觉和雷达的车道线检测算法可以有效地为汽车智能辅助驾驶系统提供道路环境感知。