道路检测和跟踪在智能交通、无人驾驶和驾驶员安全辅助等系统中都具有重要的作用。机动车道路可以分为结构化与非结构化道路。结构化道路具有结构化的人工印刷道路标志线;非结构化道路则不存在类似的道路标志线。本文使用计算机视觉技术对单目摄像机采集到的图像序列中的道路进行检测,针对不同的道路状况分别提出三种不同的方法来完成道路的检测和跟踪,这些方法可以概括为：第一,提出基于形状约束的GrabCut算法用于道路区域的分割。该方法首先使用高斯混合模型对道路区域进行建模,然后使用GrabCut算法完成道路区域的分割。在GrabCut算法的每次迭代过程中添加道路的形状约束,并使用约束后的检测结果对道路区域的高斯混合模型参数进行更新。高斯混合模型的使用可以更加准确的描述道路区域的颜色分布,取得更加准确的道路分割效果；同时由于道路形状约束的引入,可以减少GrabCut算法的迭代次数。而在确定道路区域形状的过程中,基于自适应均值漂移算法的局部最大值检测算法被用于霍夫空间中局部最大值的检测。第二,提出基于TLD框架的结构化道路检测和跟踪算法。针对结构化道路,本文提出了基于机器学习的道路标志线分类方法。通过对道路标志线的特点的研究,分别提出了laneHAAR特征、laneHOG特征和laneCOMB特征用于道路标志线的描述。同时选用级联分类器的结构进行待测图像的预测从而可以满足道路检测实时性的要求。为了解决长时间跟踪中道路标志线的变化,本文采用TLD框架对道路标志线模型进行在线训练和更新。PN学习结合道路标志线的对称性、宽度以及颜色信息作为正负约束对检测得到的道路标志线样本进行二次筛选,用于道路标志线模型的在线训练。在道路跟踪中,通过帧间预测可以减少分类器的检测样本的数量,进而提高检测算法的效率。第三,提出基于平行主动轮廓模型的道路检测算法和基于卡尔曼滤波器的道路跟踪算法。平行主动轮廓模型把结构化和非结构化道路纳入统一的算法框架进行处理。本文首先通过移除传统主动轮廓模型中循环矩阵的首尾约束,并且引入拉伸力来获得开环轮廓模型;然后为了把平行性约束引入开环主动轮廓模型中,逆透视映射变换被用来恢复道路左右边沿的平行性结构信息。在此基础上,为了使主动轮廓模型可以在梯度比较小的道路中心区域获得足够的外部能量函数,在主动轮廓模型中加入扩张力,从而可以把两条平行主动轮廓模型往道路的左右两边推挤,使其最终收敛到道路的左右边界。本文还通过利用道路区域的连续性,使用齐次马尔科夫链对道路场景序列中道路模型进行建模,从而可以使用参数预测算法对后续帧中的平行主动轮廓模型的初始参数进行预测；同时使用卡尔曼滤波器对道路检测算法的检测噪声进行建模,用以减小错误的检测结果的影响。