陆地自主车(Autonomous Land Vehicle,简称ALV)是一种能够在道路和野外连续地、实时地自主运动的智能移动机器人，其研究涉及多个学科的理论与技术，体现了信息科学与人工智能技术的最新成果，具有重大的研究价值和应用价值，受到了世界各国的重视。在移动机器人的各项关键技术中，视觉导航的主要功能是对各种道路场景进行快速识别和理解，从而确定移动机器人的可行驶道路区域，而视觉导航技术的关键是障碍物的快速检测与识别。路径规划则根据视觉处理获得的信息，在可行区域内规划出一条安全、高效的路径。陆地自主车的行驶过程即立体视觉获取前方的路面环境信息，然后通过智能控制技术使自主车沿规划的路径行走。因此本论文旨在研究陆地自主车的立体视觉系统设计和实现，以及在视觉处理获得的信息基础上进行路径规划。 摄像机的精确定标是立体视觉研究的基础，本文第二章围绕摄像机定标对各种定标模板及其控制点、摄像机模型的优缺点进行了比较和分析，结合应用环境确定了适合于自主车的定标模板和控制点以及摄像机模型，并讨论了相应的摄像机定标方法，该方法只需要用多个任意角度的平面模板进行定标，操作过程简单，而且定标精度较高，能够较好的适合自主车导航现场环境的要求。此外，立体图像对的外极线校正是降低匹配算法复杂度必不可少的工作，在这一章中首先研究了双目立体视觉校正算法，但是其有一定的局限性，不适用于多基线立体视觉系统，由此局限性出发对此算法进行修改，将其扩展到平行三目立体视觉系统，实验结果表明，该算法正确有效并且可以推广到摄像机数目超过三个的平行多基线立体视觉系统。 第三章对立体匹配算法作了深入的研究，研究中突出了算法实时性和鲁棒性要求。对于局域匹配法，重点研究了区域法，对其各种相似性测度的准确性以及匹配窗口的大小进行了定性和定量的评估，对影响匹配结果的各种预处理和后处理作了深入的研究，并提出了多分辨率、盒滤波、并行指令、超线程、OpenMP等多种提高匹配实时性的加速方法。对全局匹配方法，研究了比较流行的动态规划方法和Graph cuts方法。对这两种全局匹配方法的准确性作了定量和定性的评估，并对这两种方法存在实时性较差的不足，提出了基于多分辨率的匹配方法，大大减少了匹配时间。 立体匹配的结果最终通过三维重建来表现，在本文第四章提出了具有实时性较高的三维重建算法，对该算法结合摄像机定标过程中的模型误差和图像噪声误差、匹配过程中的透视投影变形误差、非校准误差、系统误差、量化误差以及双目视觉系统的误差模型对重建的误差进行了分析，并提出了误差修正算法，通过实例验证了该修正算法可以减少重建误差。在重建算法的基础上，结合自主车GPS／INS提供的车体位置和姿态，对越野环境的地貌进行了全局地图构建，通过实例验证表明构建的全局地图基本符合了真实三维场景。自主车的安全行驶除了需要三维重建提供正确的道路信息以外，还必须根据道路信息为自主车找到一条安全、高效的免碰撞路径，这一任务由路径规划来完成。针对传统自主车路径规划算法存在对环境适应能力差、易落入局部最小点等问题，提出了采用遗传算法来动态避障和规划路径。由于标准遗传算法存在容易产生早熟收敛的问题，对标准遗传算法进行了改进，提出了改进型遗传算法，该算法收敛于全局最优，并在此基础上提出了动态避障的路径规划算法，通过对算法的仿真，表明该规划算法可以稳定地产生最优路径和实施动态避障，并具有较高的实时性，符合了白主车实时导航的要求，而且该算法产生的路径比采用标准遗传算法的路径规划产生的路径史短。关键词:陆地自主车，立体视觉，摄像机定标，外极线校正，区域法匹配，动态规划，graphcute，_二维重建，路径规划