随着人工智能、图像处理等技术的飞速发展,基于机器视觉的环境感知技术得到广泛应用;近年来,通过机器视觉来进行整车的车道偏离预警成为汽车智能化与主动安全方面的研究重点;当前车道偏离预警方面的研究虽然有一些突破但仍面临诸多问题。本文针对目前车道线检测与偏离预警方法适应性不强、检测精度不高,从而不能够满足多种道路环境下实际应用需求的问题展开相关研究。提出一种能够适应多种道路场景的车道线检测方法,并建立相应的偏离预警方法,增强整个系统的可靠性。本文主要做了以下研究工作:首先,针对当前车道线检测算法环境适应性差的缺点,本文侧重于复杂路况、雨雾天气、阴影路况条件下的车道线检测方法研究。在道路图像的预处理阶段,对图像中的冗余信息以及噪声进行剔除,对车道线边缘信息进行强化,提升整体检测方法对环境变化的适应性以及精度。其次,本文对包括水平线、消失点、物理坐标位置等在内的图像特征进行研究,而后融合这些特征信息并与图像的不同颜色模型以及边缘检测方法相结合。提出一种能够有较好检测精度,且能有效避免前方道路中障碍物与阴影干扰的适应性强、鲁棒性好的车道线检测方法。然后,研究图像的成像原理与成像过程中不同坐标系之间的对应关系,并结合道路条件的先验知识与已检测到的车道线信息建立车道坡度检测模型。利用所构建的坡度检测模型对实际道路进行检测,并对测试结果进行分析。最后,对道路中行驶车辆进行偏离预警方法研究。利用车道线检测结果结合国内外的研究现状,提出一种场景适应性强,预警更加精准的偏离预警策略,并建立相关模型进行测试分析。