随着人工智能以及5G技术的快速发展,在智能驾驶中高级辅助驾驶系统（ADAS）应用研究也加速发展。智能传感器硬件平台和高性能决策算法是实现ADAS系统的重要组成部分。在汽车领域里,要达到车规级标准,满足安全性、可靠性、准确性,这对于合适的硬件和高性能算法的提出有着较高的要求。尽管毫米波雷达以及激光雷达在ADAS领域内得到广泛的应用,但是也存在成本高、缺乏辨识能力、视觉信息少等缺点。鉴于此,本文主要提出了基于车载系统级芯片（SOC）的影像ADAS算法,并在车载芯片上设计实现了完整的基于视觉的ADAS系统。为了能够使系统在实际场景下得到有效的应用,本文主要从算法和硬件两个方面开展研究。影像ADAS算法主要包括车道偏离预警（LDW）、前车碰撞预警（FCW）、交通标志识别（TSR）三个部分。首先,通过研究机器视觉图像处理技术,分析和验证常见的特征提取和分类方法,本文在理论基础上提出了累计概率霍夫线斜率拟合车道线算法,在完成预处理增强特征之后,根据摄像头位置设定特定的ROI区域,在透视空间使用canny边缘检测算法和累计概率霍夫线斜率两次拟合左右车道线,并设计了车道偏离预警的判定方法。同时,提出了基于视觉芯片APEX并行化加速处理的HOG和SVM的车辆检测算法以及基于融合Mobile Net网络的SSD车辆检测算法,并采用了单目测距原理实现对目标车辆的距离测定。对于交通标志识别设计了一种基于边缘超像素判别式预处理的SVM分类限速牌识别方法。为了充分的验证提出的算法,通过对比分析国内外车载芯片,主要从成本和计算资源上考虑,环境感知选择车载单目摄像头模组,它集成了镜头、AR0143CMOS芯片以及图像信号处理器（ISP）。考虑到处理视觉信息就是对每一帧视频图像处理,需要大量的计算资源。汽车视觉微处理器S32V234拥有图像加速内核APEX,它能够快速实现图像视频的目标检测、识别。使用S32DS编译开发工具构建应用程序,利用车载芯片资源验证本文提出的算法。随着深度学习技术的突破,本文还使用德州仪器的TDA2x车载芯片提出并设计了基于深度学习的车辆检测算法。通过在车载芯片上的验证,设计完整的ADAS系统,实验结果表明算法能够有效的得到应用,并且能够满足在实际场景中的实时性,为自动驾驶技术的应用提供了参考。