近年来,自动驾驶技术的蓬勃发展极大地促进了汽车科技的智能化变革,但高昂的传感器硬件成本严重阻碍了自动驾驶汽车的落地应用。因此如何使用低成本传感器在特定的场景下实现自动驾驶成为了学术界与产业界非常关注的问题。自动驾驶汽车落地应用的基础是精确的感知与定位,因此基于视觉的感知与定位研究对加速自动驾驶汽车低成本落地应用具有重要意义。本文聚焦结构化道路环境,提出一种基于视觉的低成本方案来实现自动驾驶汽车的横纵向定位,主要研究内容如下:1)搭建基于视觉的自动驾驶汽车横纵向定位研究软硬件基础平台,其中,硬件基础平台由一辆自动驾驶试验车及其配备的本研究相关传感器组成;软件基础平台由各类传感器的数据读取、存储、收发以及标定等模块组成。基于软件基础平台,本文设计了相关传感器的实验数据采集方式,并开展了摄像机标定相关工作,为后续研究提供了数据采集与实验验证的平台。2)围绕基于车道特征提取的横向定位开展相关研究。首先针对车道特征提取易受环境噪声干扰的问题,本文提出一种基于梯度特征与色彩特征融合的方法来完成车道特征提取。其次,针对经典视觉定位模型中角度参数测量精度难以保证的问题,本文提出一种改进的横向定位模型,仅需测量标定两个距离量,优化了定位模型参数标定过程。最后基于改进的横向定位模型提出一种融合车道特征信息的横向定位方法。实验结果表明,横向定位静态实验的绝对误差平均值为0.048米,相对误差平均值为2.52%,横向定位动态实验的绝对误差平均值为0.051米,相对误差平均值为2.67%,基本满足了自动驾驶应用中横向定位精度的需求。3)围绕基于前方车辆目标检测的纵向定位开展相关研究。本文基于Dark Net搭建了深度车辆检测网络,通过所构建的数据集进行车辆检测网络的训练,获得具有车辆分类能力的车辆检测模型。针对纵向定位模型中车辆宽度难以准确估计的问题,本文提出两种前车宽度估计方法:一是基于车道线检测信息对车道内的前车宽度进行估计;二是基于车辆检测模型获取前车类别并将不同类别车辆的平均宽度作为前车先验宽度。基于两种前车宽度估计方法,本文提出了一种前方车辆宽度信息融合算法,并使用融合后的前车宽度完成基于视觉的纵向定位。最后实验结果表明,纵向定位的相对误差平均值在本车前方50米范围内不超过3%、60米范围内不超过5%,本文提出的方法在一定范围内能够有效的实现自动驾驶汽车的纵向定位。