随着智能化信息时代的到来,智能驾驶受到了工业界与学术界的普遍关注,高级辅助驾驶作为其重要的一个分支,越来越多的企业和学者都投入到了相关的研究中来。而LDW（Lane Departure warning）车道偏离预警则是高级辅助驾驶技术中最为重要的功能之一,能够有效降低驾驶员由于疲劳造成的安全事的几率,具有很大的研究价值。近年来基于的深度学习车道线检测方法大幅提升了检测准确率,但是依赖大量训练数据并且对硬件的算力要求极高,高昂的设备成本使其难以被普遍运用;传统的基于霍夫变换的车道线检测方法计算开销小,但是算法受环境影响较大导致其误检率较高。针对传统的霍夫变换检测车道线方法误检高且鲁棒性较差的问题,提出了一种基于无监督聚类的车道线检测方法。首先通过逆透视变换将道路平面映射到鸟瞰图中,最大程度地还原车道线本身的形态;然后创新性地提出鸟瞰图分块机制将鸟瞰图进行纵向分块,在小的图像块中根据车道线的直线特征、成对线特征以及颜色特征来对车道线子线段进行提取;最后根据车道线子线段在鸟瞰图上的坐标位置、水平方向夹角信息,使用DBSCAN聚类算法将不同图像块上的子线段进行聚类得到完整的车道线。实验证明,利用成对线特征可以大幅降低车道线的误检率,并且鸟瞰图分块机制使得整体车道线特征提取的效率更高;同时聚类方法可以让检测结果更接近车道线本身形态。提出了一种基于轴线交点距离的偏离预警模型,通过计算前轮轴线与车道线的交点来快速计算出车前轮距离偏离点的距离,实验证明该模型能够有效地对车道偏离起到预警作用。为了验证基于无监督聚类的车道线检测算法与偏离预警模型的有效性,设计开发了一个车道线检测与偏离预警系统,采用C++语言与Opencv对系统进行了实现;并且以车载相机实地拍摄的大量行车视频作为实验数据,验证了基于无监督聚类的车道线检测算法与偏离预警系统的有效性。