视听觉信息的认知计算是信息科学、生命科学和数理科学的交叉学科，其发展水平反映了国家信息服务及相关产业的综合实力。无人驾驶技术是视听觉信息处理基础理论研究、视听觉认知相关的脑—机接口等关键技术的集成，也是国家视听觉信息处理领域的整体研究实力的体现。其中，基于计算机视觉的道路检测技术，是无人驾驶汽车智能导航系统的核心技术之一。道路检测算法的实时性、对阴影、光照变化的鲁棒性、对复杂道路环境的适应能力及抗干扰能力都直接影响着无人驾驶技术的发展与应用，因而成为了国内外专家学者的研究重点。现实中的道路可以分为结构化道路和非结构化道路，目前，由于非结构化道路路面环境较为复杂、路面特征易受天气、光照变化的干扰等客观原因，精确、实时的非结构化道路检测仍然是一个富于挑战性的问题。在已有的非结构化道路检测算法的研究中，基于特征的道路检测算法鲁棒性较强，但存在算法复杂度过高、环境适应能力不足的问题；基于模型的道路检测算法实时性较好，但仍然存在对阴影、光照变化的鲁棒性较差的问题。本文针对当前已有算法的缺点，提出了一种结合特征与模型的启发式非结构化道路检测算法，提升了算法对复杂环境的适应能力、抗干扰能力与执行速度，主要工作如下：在现有结合特征与模型的道路检测算法研究的基础上，针对图像分割过程中存在的对于噪声、阴影等的鲁棒性不足的缺点，改进了基于多层神经网络的道路分割方法，采用了分块分类的方法并设计了基于隶属概率的判决结果修正策略，达到了提升算法对抗阴影与光照变化、随机噪声、干扰物的鲁棒性的目的。针对道路边界拟合过程中存在的拟合结果易受噪声干扰，在复杂场景中检测效果变差的缺点，提出了一种启发式道路边界拟合的方法。该方法采用条件概率密度传播算法对道路消失点进行跟踪与预测，并将道路消失点的预测结果融入道路边界拟合过程，达到了增强算法稳定性与鲁棒性的目的。针对无人驾驶汽车的实时性需求，采用GPU对算法进行加速处理并进行优化，设计了一种GPU与CPU异步加速的优化策略，降低了算法的处理时间消耗。为了验证本文算法的鲁棒性及加速策略的有效性，采用主观判断与定量分析相结合的方式，就所提出的改进方案与传统算法进行了对比验证与分析，并与传统加速策略进行了定量地对比。实验证明，本文算法在复杂环境下依然保持较好的鲁棒性，并具有较强的实时性，具有一定的理论价值和实际应用价值。