近年来,城市化道路的行车环境越来越复杂,交通事故越来越多。因此,高级辅助驾驶系统、无人车系统的研究成为人工智能的热点。这些技术的研究促进了模式识别、计算机视觉、智能控制系统等多个学科技术的发展。其中,如何利用计算机视觉的相关技术在复杂的城市道路场景内实现行车环境的感知成为这项研究的难点和重点。本文围绕道路检测和凸障碍物检测的问题,运用双目视觉系统以及机器学习等相关技术,提出了消失点检测、道路检测以及障碍物检测的改进方法,从而提升道路环境感知系统的性能。本文的具体研究成果如下:(1)本文改进了消失点的检测方法。通过分析U-视差图的特性,本文提出了一种改进的V-视差图,用于提高道路剖面直线的检测精度。然后,本文提出了“基于消失点约束和最短路径规划”(Vp-ShortestPath)的道路检测方法。Vp-ShortestPath是一种无参化的方法,能够在复杂的场景中自适应地寻找道路边界,且场景的适应性要高于很多深度学习方法。(2)本文提出了 Disparity-Aware-Loss深度学习方法用于检测道路区域。通过引入视差图,本文的方法能够提升卷积神经网络的性能。在得到的道路检测结果上,本文运用CRFs模型,提出了一种融合单目视觉、双目视觉和雷达系统的多传感器融合的方法,进一步提升道路检测的精度。(3)本文提出了一种基于U-视差图检测前方凸障碍物的方法。该方法以Vp-ShortestPath道路检测方法为基础,能够简单有效地寻找道路上的车辆,利于环境感知系统的决策。