论文主要针对智能农用车辆无人驾驶和辅助驾驶技术中的视觉信息检测展开研究，其中包括车辆作业起始和结束的农田区域边界导航路径的提取和障碍物检测等技术的研究。以农用拖拉机为试验平台，农田场景图像为研究对象，通过图像处理技术检测农田的视觉信息。 1．针对农田目标的特点，在分析了常用目标提取方法的基础上提出了基于线性区域分析的目标提取方法。逐行扫描图像，生成每行扫描线上像素灰度(或RGB图像中某种颜色分量)值的分布特征曲线，通过该曲线进行目标像素的提取。这种方法对于不同颜色的障碍物都有比较好的提取效果。 2．对农田作业流程进行了深入研究。根据农田边界在导航中的功能，把农田区域边界分为：田端田埂、目标田埂和侧向田埂三种，对田间作业进行合理假设，建立了农田作业行程模型。基于这个作业行程模型，根据田间采集的图像，对基于线性区域分析的目标提取方法进行改进，在扫描线上寻找目标田埂和侧向田埂方向候选点，利用过已知点的Hough变换求得目标田埂和侧向田埂线。在田端田埂处一般都有颜色或亮度上的变化，利用该特点检测出田端田埂。通过多种农田区域边界图像的验证，证明该方法具有检测速度快、准确率高等优点。 3．利用摄像机透视模型对双目摄像机进行了标定，利用空间三维坐标与图像坐标的对应关系，解出变换矩阵中的参数。并进一步分解出摄像机的内外参数，利用反对称矩阵求出极线约束方程。 4．针对农田环境的复杂性、障碍物的不可预见性和检测实时性的特点，采用双目立体视觉技术提出了基于线性区域分析的目标提取与特征匹配相结合的障碍物检测算法。基于线性区域分析的目标提取方法把农田区域中的可疑障碍物目标提取出来，根据左右相机中提取的可疑障碍物区域的特征相似性进行匹配，实现障碍物的检测。 5．建立了“智能农用车辆视觉导航信息检测系统”，完成了硬件组建和软件的开发，为农用车辆导航提供一个视觉信息检测平台。 6．进行了农田的静态和动态的试验，图像采集速率为15帧/秒，动态试验中试验台以5km/h的速度前进。通过800对图像的检测结果表明，完成一次障碍物检测的系统处理时间<200ms，对于低速(<1Okm/h)行驶的农用车辆完全可以满足需要；检测障碍物的正确率达到96％。