目前随着汽车的普及，汽车在给人们带来方便的同时也带来了潜在的威胁，人们逐渐开始关注汽车的安全问题。为改善汽车行驶过程中的安全性，国内外学者针对汽车的安全辅助驾驶问题进行了大量的研究。随着机器视觉、数字图像处理、模式识别等技术的发展，基于视觉的车道线识别作为安全辅助驾驶的一个重要组成部分，逐渐成为了科研人员研究的一个热点问题。视觉传感器导航对于光照变化比较敏感，当光线过强或者过弱时容易造成车道边缘模糊、提取的特征点过少，从而导致车道线识别的失败。本文针对单目视觉多路况条件下的车道线识别算法问题，围绕其有效性、实时性和适应性等方面展开研究。在提高车道线识别的适应性方面，本文考虑了光照变化和气候条件的影响，分别在强光照、弱光照、夜间、雪天、标准路况五种模式下进行实验研究，并将道路分为直道和弯道两种情况，分别采用直线模型和曲线模型拟合车道线，从算法的有效性和实时性方面进行了对比验证。本文围绕了上述问题进行了以下几方面的工作：（1）采用了朴素贝叶斯分类和BP神经网络分类的方法对道路图像模式进行识别。对于不同路况下的道路图像所需的图像处理方法有所不同，应将采集到的道路图像进行分类。先通过基于经验的特征选取方法，提取图像中天空和路面的部分灰度和方差作为特征向量；然后采用了基于概率学统计的朴素贝叶斯算法进行分类，考虑到BP神经网络对于解决非线性问题的优势，并采用了BP神经网络的方法进行分类；最后从算法的识别率和实时性两方面对两类方法进行了对比。（2）对于强光照、夜间等非标准路况下的道路图像，分别采用了直方图均衡化增强、线性变换增强、同态系统增强三种方法加强图像对比度。对于非标准路况下的图像，因车道线与路面的对比度偏低，容易造成车道线识别错误，通过图像增强的方法提高对比度，改善图像质量。分别采用了直方图均衡化增强、线性变换增强、同态系统增强三种方法进行图像增强，以便有效提取特征点。（3）图像边缘检测和特征点跟踪搜索。为提取车道特征点，首先进行边缘检测，分别采用了Roberts算子、Prewitt算子、Sobel算子、LOG算子检测图像边缘，并对比四种算子的检测效果；然后采用定向边界跟踪的方法搜索特征点，从而滤除干扰边缘信息。（4）采用了改进的Hough变换和RANSAC算法辨识模型参数，拟合直道标志线。由于图像中的车道线倾角受到一定范围的约束，文中采用了改进的Hough变换法和RANSAC算法辨识直线模型参数，拟合直道标志线，并从识别效果和实时性方面对比两种算法。（5）分别建立抛物线模型和B样条曲线模型拟合弯道标志线。针对弯道路况，分别建立了抛物线模型和B样条曲线模型，并应用了粒子群优化算法辨识抛物线模型参数，应用离散二进制粒子群算法优化B样条曲线中的控制点个数，并通过实验对比两种模型的拟合效果。