基于视觉的道路检测的关键是如何将像素点准确归为道路表面和非道路表面，这在阴影、车流量较大且路面情况复杂等情况下存在很大挑战，而单目视觉具有成本低廉、处理难度较大的特点，基于单目视觉的道路检测成为研究的热点。为此，本文结合无人驾驶汽车的具体应用，研究如何利用单目视觉对复杂路面情况实现道路检测，提出具有准确率和鲁棒性的道路检测算法。本文的主要工作及研究成果如下:　　 为了提高道路检测的处理速度，减少无关信息的干扰，提出了一种基于行车速度的感兴趣区域获取方法。根据无人驾驶汽车的行车速度，从标定好的车载摄像头拍摄的图像中确定感兴趣区域。该方法简单、实时、有效。　　 为了提高道路检测算法对阴影的鲁棒性，改进了一种阴影检测和去除的算法，使其满足无人驾驶汽车的视觉道路检测的实时性要求。根据道路图像阴影具有不改变原有道路表面纹理信息、较低的亮度的特点，利用颜色直方图和纹理直方图进行阴影检测，对检测到的阴影采用投票机制获得直接光照与环境光的光强比，并利用抠图技术得到的软阴影来完成阴影补偿处理，达到阴影去除的效果。　　 为了提高道路检测算法的准确性，提出了一种基于D-S证据理论的道路检测算法。通过道路几何分类建立道路几何的道路概率图，并通过提取图像的颜色特征建立颜色特征的道路概率图，然后利用D-S证据理论中的Dempster合成规则对道路几何和颜色特征两者获得的道路概率图信息进行决策级数据融合，获得最终的道路区域，同时，针对无人驾驶汽车的应用，给出了一种用多边形描述道路区域的方法。　　 最后，编程实现感兴趣区域内的阴影检测算法和基于D-S证据理论的道路检测算法，实验结果表明，在复杂环境下它能有效的检测到道路区域，与最新的道路检测方法相比，在运行速度相当的情况下，明显提高了检测效率。