智能车辆是车辆工程领域的研究前沿和汽车工业未来发展的新方向,如何在各种传感器获取信息的基础上认知环境并实现自动驾驶,是其运动控制研究领域中的核心问题。智能车辆作为智能交通系统(ITS)的一个重要组成部分,其研究对改进车辆安全、节能、环保性能,提高交通系统的效率、减少交通事故具有重要现实意义。论文主要包含以下工作:通过一种基于自动阈值的方法实现道路信息识别,方法实现了对相机参数的标定、图像畸变的校正以及图像坐标系到世界坐标系的转化;基于大津法的图像信息提取的自动阈值调节。该方法增强了机器视觉系统对环境的适应性,为后续研究提供基础。结合模糊控制和神经网络的优点,提出一种模糊神经网络智能车辆自动驾驶控制器,该控制器依据视觉识别结果提取距离车辆最近的车道线作为参考车道线。以参考车道线斜率及其与车辆间距离为输入,以车辆转向角为输出,构建基于T-S模糊模型的多层前馈型模糊神经网络系统。以人工驾驶经验为基础构成模糊控制基本规则,并形成模糊神经网络的参数初值,提高了神经网络的收敛速度。以人工驾驶行为为样本,利用反向传播学习算法实现对网络参数的进一步调整,从而实现对人工驾驶行为的进一步模拟。论文基于Webots仿真软件及无人驾驶汽车实车进行了仿真及实车实验研究。仿真实验表明,与单一模糊控制及PID控制相比,论文算法有更好的适应性及鲁棒性;实车实验表明在一定视觉条件下,车辆在拐角及直线行驶时,算法能够较好地模拟人类的驾驶经验,且具有良好的平顺性。