高级驾驶辅助系统是利用传感器感知周围环境并收集信息,对其进行系统的运算与分析,提前告知驾驶员可能存在的风险,通过对驾驶员预警的方式从而使其提前采取措施规避风险,增加了行驶的安全性与舒适性。由于计算机视觉的不断发展,基于视觉的高级驾驶辅助系统经济性较高,所以基于视觉的高级驾驶辅助系统成为了国内外研究人员关注的焦点。本文基于视觉对车道线识别、车道偏离预警、前方车辆识别三方面进行研究。（1）基于视觉的车道线识别研究。首先采取预处理以提高算法速度。主要步骤是ROI确定;然后采用加权平均法对图像进行灰度化处理降低运算量以提高运算速度;随后利用中值滤波法筛去图像中的噪点;运用大律法标识出车道线的轮廓;最后选取Canny算子进行图像的边缘提取。在传统霍夫变换方法上添加极径极角约束条件,实现双侧车道线精准定位识别,弥补了原始霍夫算法仅能识别单侧车道线的不足;并实现了最小二乘法对车道线的拟合,该方法要求限定车道线特征点搜索范围,搜索指标包括梯度信息和车道线几何信息等。对采集的视频中多帧图像进行了车道线识别的测试验证,结果表明,本文车道线识别算法可以很好地识别出车道线。（2）基于车道线的车道偏离预警模型研究。首先详细分析了已有车道偏离预警模型,主要包括:CCP模型（Car’s current position）、FOD模型（Future offset difference）、TLC模型（Time to line crossing）以及KBIRS模型（Knowledge-based interpretation of road scenes）的结构与适用条件。针对已检测出的车道线,本文构建了基于车道偏移率的预警模型,通过设置的阈值范围实现了车辆左、右偏移的预警判断。经过对多帧图像进行测试,结果表明,本文提出的基于车道偏移率的方法能够准确判断出车道是否偏离,是一种简单且有效可行的偏离预警模型。（3）辅助驾驶系统车道内前方车辆检测与识别。主要包括车辆可能存在区域的确定及基于RBF神经网络的车辆识别两个部分。首先于车底阴影特征进行一系列的形态学操作以确定车辆可能存在的假设区域。由于树木等阴影遮挡,可能会导致系统误判,所以需要建立识别器对该假设区域是否为车进一步判断。通过提取了反映车辆特征的区域描述和形状描述等19个特征参数,构建了RBF神经网络模型,针对已确定的假设区域进行车辆存在与否的进一步确认。最后,建立了车辆图像的正、负样本库,对该RBF神经网络识别器进行训练,直至其收敛。通过验证表明,论文构建的神经网络识别器能够可靠地识别搜索区域内的车辆,且准确率达到95%。