智能汽车是一个集环境感知、高精度地图、自主规划决策等多种技术于一体的综合系统。单目和双目视觉为智能汽车提供重要的环境感知能力，是规划决策与执行控制的关键基础技术。基于视觉的车辆检测，可以对当前行驶车辆的周围环境进行实时有效的监测，实现自适应巡航(Adaptive Cruise Control，ACC)功能，辅助驾驶人员更安全地驾驶车辆，提高道路交通的安全性。　　针对传统单目视觉算法对前方车辆识别精度低的问题，本文在实现道路的车道线检测的基础上提出了一种基于方向梯度直方图(Histogram of Oriented Gradient,HOG)特征和支持向量机(Support Vector Machine，SVM)的单目视觉车辆识别算法。该算法通过建立训练样本的HOG特征训练带有难样本方法的SVM，生成具有高精度的车辆检测分类器。实验结果显示，相对于其他算法，本文算法在晴朗日间不同光照场景下具有鲁棒性和更高的准确率，满足车辆检测;同时在实现车辆识别的基础上，本文研究了摄像头的成像模型以及道路的测距模型，分析了视觉投影模型，建立了道路平面坐标与图像像素坐标系的转换关系，实现了与前车距离在20m-60m范围内的车辆的测距。仿真实验结果证实了本文所提出的测距方法的准确性。　　针对双目视觉立体匹配算法中的“横条纹”问题，本文研究了基于双目视觉的立体匹配算法，提出了一种全新的基于多邻域非线性扩散的立体匹配算法，算法采用绝对差距的测度函数构建视差空间，根据行列像素之间的约束关系，基于非线性扩散的代价聚合方法更新匹配代价聚合，通过图像边缘的动态优化寻求全局能量函数最优值得到稠密视差图，从而解决了“横条纹”问题，且大幅度地提高了匹配精度，同时满足了鲁棒性的要求。