基于视觉的车道线检测是智能驾驶系统中的关键技术之一。尽管许多研究人员在该领域上进行了大量的研究,但是由于现实生活中实际行车道路环境的多样性和复杂性,实现准确的车道线检测依旧面临着诸多困难,如光照变换、路面阴影、车辆行驶痕迹和其他行车标志等的干扰。针对这些问题,本文以在复杂行车环境下实现较为准确的车道线检测为目标,开展了对结构化道路车道线检测和非结构化道路道路边界检测的研究。其主要研究工作如下:1.针对在复杂行车环境下,结构化道路车道线检测易受路面状况影响、周围环境干扰等问题,提出了基于概率投票的消失点位置估计方法,进而在车道线过道路消失点(理想情况下)的基础之上,又提出了基于道路消失点约束的车道线提取方法,实现了对各种复杂行车道路的车道线检测。2.针对在复杂行车环境下,车道线检测算法可能会失效的问题,提出了基于连续帧图像车道线关系的车道线跟踪算法,并且在车道线检测结果的基础上,实现了对感兴趣区域的动态确定,提升了算法的实时性和鲁棒性。3.针对在非结构化道路中,道路区域分割易受路面干扰因素影响的问题,本文提出了基于道路图像彩色特征的图像分割方法,在一次分割的基础上,又提出了一种改进的区域生长算法,实现了对道路区域的准确提取。4.针对在非结构化道路中,道路边缘点不易准确提取的问题,提出了基于图像分块算法的道路边缘点提取方法,获取到道路边缘点后,使用最小二乘法对三次多项式进行曲线拟合,实现了对非结构化道路道路边界的准确检测。本文在各种行车环境的数据集上对所提算法进行了实验分析。实验结果显示,在各种复杂行车环境下,本文所提出的两种算法能够分别有效地检测出车道线和道路边界。