随着科学技术的不断进步和人民消费水平的提高,当下全球汽车保有量飞速上升,相继而至的即是更多的交通事故和财产损失。因此,相关学者便提出了车辆无人驾驶技术。无人驾驶车辆不仅能够提高车辆自身安全性,还可以通过智能算法提高道路利用率,减轻交通拥堵。道路可行驶区域和路面类型识别是无人驾驶汽车环境感知任务中的关键技术,也是车辆安全性的重要保障。本文针对结构化和非结构化道路进行研究,主要内容如下:本文首先采集多种结构化和非结构化道路图像,建立道路和路面图像数据集,并从道路图像中分割出感兴趣区域,利用加权平均方法对道路图像进行灰度化处理,降低算法计算耗时。通过对比三种图像滤波方法,最终选取滤波结果较优的滤波方法对道路图像进行处理。其次,基于道路图像粗糙性度量提出道路可行驶区域识别算法。该方法首先对道路图像进行初分割处理,得到道路特征图并进行滤波处理;通过对图像色彩信息进行近似表示,提取图像的粗糙性信息,并依据道路图像粗糙性提出自适应的阈值分割策略,减少特征图像中的色彩数量,提高图像的同质性。针对区域生长法的不足,提出改进的区域生长算法对图像进行处理,利用三次多项式拟合道路边界,最终实现对道路可行驶区域的识别。再次,基于支持向量机（Support Vector Machine,SVM）和粗糙集属性约简方法进行路面类型识别。通过从路面图像中提取出的感兴趣区域建立干燥沥青、积水沥青、积雪沥青、干燥砂石、凹凸、搓板、鹅卵石、海格林石块路面等八种路面类型的分类样本,并通过随机选取构建训练集合测试集;提取图像的颜色和纹理特征,采用基于邻域粒化的粗糙集属性约简方法约简冗余属性,通过SVM工具训练路面类型分类器。最后,对道路可行驶区域和路面类型识别算法进行结果分析,通过对算法耗时、准确度进行定量分析,以及对路面类型识别结果进行误判样本分析,验证本文方法的识别效果。