随着汽车保有量的不断增加,道路交通安全问题日益突出。为了有效减少道路交通事故,汽车安全辅助驾驶技术得到广泛关注。车辆前方障碍物识别是汽车安全辅助驾驶技术中的研究热点和重点之一,是通过各种传感器对车辆前方环境进行感知,提前识别存在的安全隐患,可以有效降低交通风险,因而受到世界各国政府、企业和科研机构的重视。RBF网络具有结构简单、收敛速度快及表达能力强等优越性,卷积神经网络具有稀疏连接、权值共享和下采样等特点,基于RBF网络的性能及卷积神经网络特性,本文针对高等级结构化的道路环境,提出一种基于RBF卷积神经网络的车辆前方障碍物识别方法,并且利用本文建立的试验样本库进行测试,证明本文提出网络结构的有效性。由于在线学习实时性强、执行简单及不需要大量的存储空间,本文设计基于RBF的在线学习卷积神经网络,利用手写数字数据库MNIST对网络进行训练并测试。同时,针对高等级结构化公路的特点设计一种半自动裁剪样本的算法,为网络的完全在线训练奠定基础。最后,结合实际高等级结构化道路建立用于车辆前方障碍物识别试验所用样本库,并用所建立图像样本库对本文设计的卷积神经网络进行训练,得到最终的网络结构,并用此网络结构对车辆前方障碍物进行识别试验,最终证明本文所提出的基于卷积神经网络的车辆前方障碍物识别方法的有效性、强泛化能力和可扩展性。