在室外环境下移动机器人视觉导航与避障面临的最大挑战是对道路的识别与障碍物的检测。由于室外环境的复杂性,导致移动机器人对环境中的道路及障碍物的识别较为困难,机器人快速且准确地理解道路环境信息,对其行驶的安全以及周围行人的安全尤为重要。同时在智能车载系统中,激光雷达在处理速度和精度上优势较为显著,但在一定程度上,它的成本也是阻碍了其向市场化拓展的进程。而视觉传感器无论是在采样速率还是在价格成本上都显出其独特的优点。因此,论文是基于单目视觉技术对复杂环境的道路识别与障碍物检测展开研究。首先,针对各种复杂结构化道路环境下车道线识别问题,采用动态感兴趣区域限定与车道线评估调整算法的适应性,提出一种通用的快速车道线提取算法。其次,针对高速公路、一般城市道路等结构化环境中的障碍物检测,依据预处理后的车道线区域信息与建立的道路区域掩模作为帧间差分的评价指标,提出这种多区域信息融合约束的改进帧间差分方法,可有效识别可行驶道路区域中的车辆、行人以及其他运动目标。最后,采用线性迭代聚类并结合SVM分类识别的算法,在校园的复杂环境下,例如,在缺乏标识线,存在阴影遮挡、拥堵路况等干扰因素较多的非结构化道路中能够取得较好的识别效果,同时在复杂的乡村道路环境中算法具有较高的准确性。本文主要研究内容如下:（1）基于二次阈值动态约束的复杂路面车道线快速检测方法研究。分析查阅各种结构化道路环境下的车道线识别方法,首先从道路图像的灰度特征方面入手,提出基于网格划分的阈值判别估计出道路中车道线大致位置,生成动态感兴趣区域,基于动态约束,消除阴影的干扰,车辆和车道标志;其次基于改进的Canny边缘检测算子提取车道线边缘,扩展45°和135°两个方向的计算梯度并通过扩展的Otsu算法解决了边缘检测算法车道线提取性能有效性和准确性的问题。同时结合霍夫变换拟合出车道线,通过对斜率阈值和道路消失点的检验评估提高了霍夫变换拟合的正确率,最后通过建立的有效评估函数实时监督修正拟合后的车道线,从而进一步保证了行车的安全性和可靠性。（2）基于改进的帧间差分目标检测与跟踪算法的研究。在障碍物检测方面,针对较为复杂的结构化道路环境,本文主要研究的是移动机器人在行驶过程中对前方视野运动目标的识别。在传统帧间差分的基础上,提出一个多区域信息融合约束的改进帧间差分目标检测算法。根据分析获取的道路场景信息间的相关性,首先通过增加车道线区域、道路边界外区域的融合约束和预处理方法,使得帧间差分的作用区域范围具有足够的针对性,其次采用自适应阈值的图像分割调优策略,构建一个既可以提高识别速度又能够改善识别精度的目标检测算法。最后应用标准卡尔曼滤波算法进行目标定位与跟踪预测,有效克服在复杂交通环境下目标检测的不适用性,也避免了因车速过快导致的基于帧间差分目标检测时失效的问题。（3）融合超像素聚类与SVM分类的非结构化道路识别的研究。在没有明显的车道线和标志线的非机构化道路环境下,移动机器人对道路的识别较为困难,为了实时、准确、鲁棒地理解环境信息,本文详细介绍了基于SVM分类器的道路识别算法。首先通过分析图像灰度信息间的差异性,使用改进的线性迭代聚类方法,将灰度图像分割为内部像素较为一致的若干超像素单元。然后基于多个超像素单元合并输出的组合作为分类器的训练样本集,加快了SVM分类器的训练学习速度;最后使用超像素颜色和纹理特征作为图像总特征构造SVM道路分类器,并根据建立的评估函数对分类结果实时修正,最终使得SVM道路分类器的二分类效果更加精确可靠。（4）设计并搭建移动机器人视觉系统硬件平台。本文系统硬件平台主要包括轮式移动机器人、工控机、显示屏、单目摄像头、外部电源设备,主要研究的内容是移动机器人视觉导航与避障系统的设计。从摄像头获取图像信息开始经过所设计视觉算法的快速响应完成对车道线的识别、运动目标的检测、道路可行驶区域的识别,然后通过简单的运动控制决策来完成机器人的自主导航任务。