车道线识别是一种从含有车道标识线的道路图像中,将车辆在当前行驶区域的连续或间断车道线重建为连续曲线的技术。该技术是整个车道偏离预警系统的基础和前提,能否快速且准确地识别出车道线,关系着整个预警系统的稳定性和准确性。为了克服当道路路面结构不均匀、光照变化、阴影遮挡、车道线破损以及污迹覆盖等使得道路图像变得复杂时,识别算法鲁棒性差及实时性低的难题,本文采用适应性较强的车道线特征提取算法以及特征点拟合算法。为了更好地对车道标识线的特征点进行提取,首先对道路图像进行预处理,预处理过程包括：道路图像灰度化、去噪处理以及感兴趣区域划分。其次,考虑到在复杂路况下,经典特征提取算法从道路图像整体角度来设定阈值难的问题,提出运用对称局部阈值分割算法来提取特征点。同时,从车道标识线本身的结构形状特征而非其灰度值特征考虑,应用一种基于车道线局部形状特征的提取算法——基于水平集外在曲率的车道线特征提取方法。最后,鉴于在复杂工况下提取出的特征点中不仅包括有效点,而且还存在大量异常点并且其分布很不规则,提出应用改进的随机抽样一致(Random Sample and Consensus——RANSAC)算法进行特征点拟合。通过对各种复杂路况下的大量实验测试和对比分析,结果表明：对称局部阈值分割算法能在车道线与路面的对比度不显著的情况下较好地提取车道线特征点；同时,由于水平集外在曲率的特征提取方法基于车道线局部结构特征,即和车道线与路面的对比度关系很小,故很能适应复杂路况下的特征点提取。改进的RANSAC算法对于复杂工况下的直线或曲线道路均能准确地计算出其车道线参数,具有较好的鲁棒性；并且由于该算法引入了删除容限,使得迭代过程彼此之间几乎相互独立,这不仅大大提高了算法的实时性,而且有利于得到最佳车道线参数。本文为复杂路况下车道线实时、准确识别的实用化奠定了理论基础。