近年来,智能车辆因其电动化、网联化、无人驾驶化等特点得以迅速发展,并引领智能驱动的未来。智能驾驶作为智能车辆的核心功能,对提升汽车产业竞争力、加快构建智能交通体系、创新用车模式、提升驾驶安全性等方面起着关键作用。然而,基于车载传感系统的环境感知模块是实现智能驾驶的前提条件,影响后续规划和控制任务的可靠性和准确性。因此,对智能驾驶的环境感知技术进行研究具有重要研究意义。本文以智能车辆的环境感知技术作为研究对象,对泊车位检测、车道线检测以及车辆检测等子任务进行算法设计,并探讨实际场景下的算法表现性能。其主要研究内容如下:1.提出了实用的改进泊车位检测算法,解决自动泊车系统车位信息输入的问题。针对超声波雷达幅值衰减设计了增益补偿方案,同时介绍了基于超声波数据的特征线段拟合过程。详细阐述了传统车位检测算法的缺陷,提出了基于拟合特征线段的泊车位检测算法。实验结果表明,本文所提车位检测算法的检测平均准确率达到92.5%,验证了算法的可靠性和准确性。2.研究了结构化道路的车道线检测算法,介绍了图像预处理的相关基本理论,并对霍夫直线检测算法和线段检测器LSD进行了对比分析。对LSD检测出的粗糙轮廓线段进行后处理,包括筛选过滤、拼接合并等操作,在改进的二值图像上搜索车道候选拟合点并结合RANSAC算法拟合车道模型。实验结果表明,提出的车道线检测算法在检测率和鲁棒性上均能获得理想的表现。3.研究了基于YOLO v3的道路车辆目标检测,以YOLO v3为基础,通过手工标注构建数据集,使用K-means算法对数据集中的目标边框进行聚类,设计更为合理的候选边框维度。利用优化的YOLO v3卷积神经网络训练了汽车、摩托车、公交车和货车等不同类型车辆的识别模型。实验结果表明,优化后的YOLO v3算法在车辆检测中的性能能够满足车载应用需求。