智能车辆的发展对国防、社会、经济和科学技术具有重大的影响力，已成为各国高科技领域的战略性研究目标。智能车辆随着军用、民用和科学研究等领域巨大需求的推动，正在经历着日新月异的变化。对道路环境的理解是智能车辆的核心技术，是车辆智能性的集中体现，是最具挑战性的研究课题之一。本文针对道路环境理解中的视觉技术展开研究，主要研究了结构化道路图像中消失点的估计及其在道路环境解释中的应用；非结构化道路图像的分割；越野地形的可通行性分析以及融合多传感器的局部地图创建，并取得了一定的成果，具体来说：针对结构化道路图像的理解，本文研究了图像中消失点的估计和跟踪技术，提出了基于Bayes原理的多消失点估计算法和基于高斯预测模型的单一消失点跟踪算法，算法的估计精度和执行效率均较高。同时，在此基础上，还提出了基于消失点的道路环境理解的一系列算法，具体包括基于消失点的多行道线检测、基于消失点的岔道检测与提取、基于消失点的前车检测以及基于消失点的前车测距与测速等算法。实验结果表明，算法有效，具有应用前景。针对非结构化道路图像路面分割中的阴影问题，本文提出了新的空间关系的定义，并构造了空间关系隶属度矩阵，改进了基于空间关系约束的模糊聚类算法。在林荫道图像分割的实验表明，算法在保持路面一致性方面优于传统算法以及其它类似算法。本文还提出了序列图像中的聚类中心更新算法，该算法的收敛速度和稳定性得到了进一步提高。针对基于高程图描述的越野地形的分析，本文提出了越野高程地形具有相对不变性的概念，并提取出了反映复杂地形起伏幅度、频率的相对不变特征。具体实现方法是：采用地形高程的方差计算地形的起伏度；采用二次曲面拟合的数值解法来计算地形坡度以及采用分形布朗运动模型估计地形的粗糙度。最后，根据模糊规则整合各特征实现对地形的可通行性进行评估。在越野地形上的仿真实验和现场实验均表明了算法的有效性和实用性。本文最后结合在地面智能机器人“十五”项目中的融合多传感器创建局部地图方面所遇到的实际问题提出了一些解决方法，分别为基于协方差交叉的路边融合算法，基于主动传感器的道路跟踪算法和基于相对特征的越野地形分析算法。