地面自主车辆(Autonomous Land Vehicle，ALV)是一种能够自主完成复杂地形机动、辅助或取代人类完成特定任务的无人驾驶地面机动平台，是信息技术与工业技术高度复合发展的产物，其相关技术已经成为各国高科技领域的一个研究热点，随着军用、民用各方面需求的推动，ALV技术得到了空前的发展。根据2012年“中国智能车未来挑战赛”的要求:ALV面对障碍物能够做出智能化的反应，对于较慢的车辆采取超车策略，对于较快的车辆则采取跟随策略;对于行人，采用停车等待策略;对于普通的障碍物则进行避让处理。本文就行人检测、动态车辆检测和可通行区域检测这三类问题中的关键技术展开研究工作，并取得了一定的研究成果，具体内容如下:　　针对行人检测，研究了几种特征提取方法，并针对剪切波系数直方图（Histogramsof Shearlet Coefficients，HSC）特征，结合了剪切波变换时图像尺度因素进行了改进，提出了加权的剪切波系数直方图(WHSC)与带block的HSC，改进的特征在不增加计算复杂度的前提下具有更好的图像表示能力。同时本文研究了基于多特征融合的行人检测方法，将HOG、HSC、LGBPHS这几种直方图特征进行线性叠加，并引入偏最小二乘降维法(Partial Least Squares，PLS)对融合的特征进行处理。在INRIA的人体样本库上的实验表明，该方法能够有效的提高识别率。　　针对可通行区域检测，提出了基于多尺度几何图像表示方法的加权剪切波系数直方图特征结合颜色特征的可视化特征提取方法，并采用PLS进行数据降维。首先在实验室样本集上提取正负样本的特征，然后使用线性SVM离线训练出学习机。针对待检测图片，采用滑动窗口的方式计算子窗口的特征，之后进行分类识别，直到窗口覆盖整张图片。在NUSTrobot和OUTEX数据集上的实验表明，该方法能够有效的规避光线强弱、阴影、地面污渍等不良因素的干扰，检测出可通行区域。　　针对车辆检测问题，本文通过建立在统一坐标系下的信息处理，提出了基于主被动传感器融合的车辆检测方法。该方法结合了毫米波雷达在计算目标距离与速度的优势和图像具有丰富语义信息的优势，充分发挥了主被动传感器各自的优点，从而对前方车辆目标的描述具备更丰富准确的特征内涵，使得自主车具备更好的通行能力。　　针对毫米波雷达数据点多、存在噪声数据点的问题，提出了一种基于多假设跟踪(Multiple Hypothesis Tracking，MHT)框架的数据处理算法。首先将雷达原始数据进行聚类处理以消除分裂的目标点，然后在多假设跟踪模型下，采用广义概率数据关联算法对量测集合和已有目标集合处理，从而得到有效目标集合。实验结果表明本文的方法能有效的去除毫米波雷达中的噪声，获得稳定的目标集合。本文采用了碰撞时间(Time to Collision，TTC)作为预警防碰撞参数，就实际数据分析了采用TTC作为参数的可行性和优点。　　针对二维图像的处理，本文在假设提出(hypothesis generation，HG)和假设验证(hypothesis verification，HV)的框架下进行了相关工作。在HG步骤，本文提出了基于显著图的车辆ROI区域提取方法，该方法可以克服以往基于知识的方法在环境不佳时导致车底阴影、车辆梯度信息不明显的缺点;在HV步骤本文采用了基于HOG特征的车辆识别方法，整理了NUSTrobot车辆数据库，在整理的数据库上将HOG特征与其他几种特征的识别方法进行了比较，实验结果表明HOG特征不仅具有识别率高的优点，更兼具计算复杂度低的优点。进一步将PLS引入到车辆识别中，将HOG特征和WHSC特征进叠加后降维，使得识别率得到了进一步的提高。