城市化的高速进展及汽车产品的广泛普及,随之带来的负面影响使得交通事故频发,汽车的驾驶安全问题已然成为全球性必然存在的关注主题。在此背景下,发展和提高汽车的智能化技术显得尤为重要。汽车高级驾驶辅助系统ADAS(Advanced Driver Assistance Systems)作为智能化车辆系统IVS(Intelligent Vehicle System)的关键组成,能够有效地提高汽车主动安全性能,提升智能化。而道路前方车辆的实时检测作为ADAS的主要实现功能之一,能够有效“预知”未来一段时间内前方道路的碰撞安全隐患,及时向驾驶操作人员发出有效的警告信号,是实现车辆间防碰撞的关键技术之一,能够实现道路交通事故中的人员伤亡比例的有效减少。首先,本文分析道路车辆的车底阴影这一明显特征,为了降低光照变化对算法鲁棒性的影响,提出了基于单目视觉的车底阴影分割算法。采用环境工况分类的方法,将日间的交通场景灰度图像按阈值特点可区分成正常工况、强光照工况、弱光照工况三种环境;为了减少非路面环境区域的背景干扰对车辆检测结果的影响,提出基于边缘增强的路面检测方法,以便于更加准确地检测路面范围内的有效车辆底部阴影;基于路面区域检测图像,针对日间道路环境,提出了自适应车底阴影分割算法,实现车辆候选区域图像的可靠检测,初步获取车辆所在位置的有用信息。其次,本文综合深度学习方法(Deep Learning,DL)——卷积神经网络(Convolutional Neural Network,CNN)这一近来广泛流行并应用的深层特征学习方法,联合其结构特点及泛化能力的优势,分析CNN结构与权值训练方法,构建一种面向道路车辆的深层表达规则,以简单的数学模型实现原始多维数据的更抽象更深层次的非线性特征表达。在车底阴影分割后所得的车辆候选区域结果图的基础上,利用深度学习的网络模型进一步实现对有限个车辆候选区域图像的精确验证与剔除,实现车辆的最终识别。最后,本文面向高速公路及城区道路特定场景的视觉图像进行测试,验证本文的检测算法的普遍有效性与环境适应性。同时,按照本文提及的三种环境工况进行车辆检测的试验,并统计算法的正确率,以此作为评价算法优劣的依据。测试结果表明,本文提出的检测方法在很大程度上增强了单目视觉算法的环境适应性,同时保证在各个工况下均能有效地识别存在前方的行驶车辆目标。另外,本文方法与传统的单目视觉车辆检测算法作对比,进一步验证本文算法的优越性。