随着科学技术的快速发展,智能车在工业生产中扮演重要角色,户外智能车产品也逐渐升级改造,带动社会发展。本文主要针对密闭和半封闭的公共空间环境,研究以智能车为载体的车道线检测和交通标志的识别,使其能够在特定的环境下完成工作,主要研究工作如下:（1）基于改进的层次分析法和三标度法建立了多因素层次结构模型,引入最优传递矩阵优化了整个方法的计算过程。通过定量的评价研究,分析了户外智能车的性能权重,为后续智能车道路信息采集与分析提供了研究依据。（2）基于户外智能车复杂的工作环境,开展了道路图像预处理工作,对采集到的图像进行感兴趣区域提取、灰度变换、图像滤波和图像增强等处理;通过实验对比分析,选择了既能降低噪声,又能保存图像边缘信息的双边滤波法。以Canny算子边缘检测算法为基础,给出了一种改进双阈值的Canny算子对车道线进行边缘检测。针对有干扰标志、阴影、夜间和光照强度不高的直线车道,采用累计概率霍夫变换算法和分段霍夫变换的算法分别对直线车道模型和曲线车道模型进行车道线检测。最后采用最小二乘法对检测的线段进行拟合。实验表明累计概率霍夫变换算法相比传统霍夫变换算法具有更高的准确率和更好的实时性,在曲线车道线检测方面,分段霍夫变换算法也能够很好地完成曲线车道检测。（3）针对基于颜色模型的交通标志检测算法进行了实验研究,在HSV颜色空间分割法的基础上给出了基于HSV颜色空间的改进阈值分割法。经过颜色空间转换将待测图像的RGB颜色空间转化为HSV颜色空间,然后通过对H、S、V三个分量进行自适应阈值分割来完成交通标志检,该方法不仅有效实现了交通标志的分割,而且去除更多的干扰噪声。最后将基于HSV颜色空间的改进阈值分割法与RGB颜色空间模型分割法和HSI颜色空间模型分割法进行实验对比分析,实验结果表明该方法可有效去除背景干扰,同时大大提高了检测速度与准确率。（4）在传统模板匹配识别算法的基础上,给出中心不变矩模板匹配法和相关性系数与HU不变矩法的两种改进型模板匹配法。中心矩不变模板匹配法是通过计算模板图像的中心矩特征向量和测试图像的特征向量,并采用相似系数函数来对两个特征向量进行相似度对比。通过计算相对简单的模板图像特征向量克服了传统模板匹配法为了减少计算量而只能降低识别精度的弊病。相关性系数与HU不变矩的交通标志识别法是根据不变矩的原理将三阶规格化中心矩的非线性组合构成7个具有平移不变性、旋转不变性和放缩不变性的不变矩。针对这种方法存在因为车载摄像机拍摄的图像会发生旋转或者放缩变化而导致识别率降低的问题,利用不变矩之间的比值约掉比例因子的方法使不变矩公式不受图像旋转和放缩变化的影响。基于这种思想,拓展出10个不变矩,通过这10个不变矩之间的比值消除比例因子来保持不变矩的不变性,从而提高了识别的准确率。