目前,国内外人工智能等技术飞速发展,推动了自动驾驶技术的发展。如何提高自动驾驶汽车的环境感知能力成为各大研究机构与公司的重要研究方向之一。利用视觉主导技术来进行目标定位测距是环境感知技术中的主流方向之一。然而在视觉目标定位测距技术中仍然存在众多未解决的问题,如传统边缘检测算法存在无法自适应的问题、视差预估算法存在上下文信息利用率不高的问题、如何实现较高精度的目标定位测距等。针对以上问题,本文就如何解决传统边缘检测算法的自适应问题、提高视差预估算法图像上下文信息利用率以及实现较高精度目标定位测距等问题提出新的思路和算法。实验结果表明本文提出的自适应边缘检测算法解决了自适应问题,同时提升了检测精度;提出的PRC-Net立体匹配算法提高了图像上下文信息利用率,从而提升了视差预估精度;提出的将边缘检测、目标检测以及视差测距相结合的算法能够实现目标定位测距。本文所做的主要工作如下:（1）为了解决传统边缘检测算法的自适应问题,提出了一种自适应边缘检测算法,算法的主要思想为首先通过对梯度幅值进行三分类实现阈值粗定位,再通过OTSU算法进行阈值细定位来获取阈值,该阈值即Canny算法的阈值。该算法解决了边缘的边缘检测的自适应问题,同时提升了检测精度。（2）为了提升视差神经网络的视差预估精度,提出了一种基于PSM-Net优化的立体匹配算法——PRC-Net,该算法采用金字塔卷积提高全局上下文信息的利用率,构建成本体积时加入由残差网络模块获取的图像底层特征信息来弥补在池化过程中丢失的图像底层特征信息。实验结果表明,PRC-Net的视差预估精度相较于PSM-Net有所提升,3像素误差降低了11.82%。（3）为了实现目标物体定位测距,首先将目标检测算法与自适应边缘检测算法的结果求并集实现目标物体准确边缘定位;其次通过获取到的边缘信息,在视差预估算法获取的视差图里计算出对应目标物体的视差;最后通过视差比较完成对最近目标物体的定位测距。实验结果表明,本文提出的算法可以实现最近目标物体定位测距。