基于视觉的智能导航系统是机器视觉领域的研究热点之一。其中,道路检测是基于视觉的智能导航系统的关键技术之一,为导航系统提供准确的道路位置信息和方向信息。道路检测算法必须满足实时性和鲁棒性两个特点,实时性要求算法能够及时完成图像的处理,鲁棒性要求算法在各种复杂的外界环境下产生正确的输出。目前,非结构化道路的检测算法由于道路特征不明显,外界环境中各种干扰因素(如光照、阴影等)的影响,其复杂度高,效果不理想。由于非结构化道路检测的复杂性,利用单一的特征或模型的方法已经很难达到理想的效果。为此将特征和模型相结合,充分利用两种方法的特点来提高算法鲁棒性是一个好的解决方案,然而如何做到实时性和鲁棒性的权衡是一个难点。论文的研究目的是如何在保证检测算法实时性的基础上提高算法的鲁棒性,主要工作如下：针对非同质环境下非结构化道路检测鲁棒性差的问题,分析了现有基于特征的道路检测算法,并重点分析了混合高斯模型方法。根据混合高斯模型方法的计算特性,设计了一种基于彩色特征的快速分块分类混合高斯模型方法：首先对彩色道路图像进行分块分类预处理,然后根据图像帧之间的相关性,采用卡尔曼滤波器预测下一帧K-means聚类中心。实验证明：该方法可以有效地减少道路图像冗余信息和K-means算法的迭代次数,进而降低混合高斯模型的复杂度,并对图像中的噪声点有一定的抑制作用。为了提高非结构道路检测算法的有效性,论文充分结合基于特征和基于模型方法的优点,在改进的混合高斯模型的基础上提出一种基于分块分类混合高斯模型和B样条曲线的非结构化道路检测算法。该算法引入一种分块分段方法只针对包含道路边界的混合区域分块进行道路边界点的提取；采用B样条曲线作为道路模型,并使用最小二乘法求解B样条曲线最优控制点,从而完成对道路双边界的拟合。实验证明：相对于采用抛物线道路模型的max_edge方法,本文算法计算量不高,可以灵活地表示各种道路形状,并对外界噪声有较强的抗干扰性。针对无人驾驶汽车的应用需求,分析了无人驾驶汽车的特点,将本文算法及相关技术应用到无人驾驶汽车系统中,实现了一个视觉导航系统原型,并使其能够满足无人驾驶汽车对导航实时性和鲁棒性的要求。最后通过大量的实地场景测试验证了导航系统的稳定性。本文的算法在复杂环境下具有较高的鲁棒性和有较好的实时性,可以满足智能导航系统的要求,具有一定的理论价值和实际应用价值。