良好的环境感知与理解能力是无人驾驶车辆实现自主导航的前提。随着近年来计算机视觉技术的不断发展成熟,基于视觉的道路检测已经成为一种重要的环境感知手段。根据不同的道路类型,当前的道路检测方法主要分为针对结构化道路的检测和针对非结构化道路的检测两种。本文分别实现了结构化道路下的车道线检测和非结构化道路的区域检测。结构化道路检测的关键是识别道路上的车道线。本文首先使用逆投影变换原理将原始道路图像变换到俯视视角,这样做的好处是将原本在图像数据中不平行的车道线变成了近似竖直的平行线,更有利于直线的检测。为了减小噪声干扰,对水平方向和竖直方向的滤波,并将图像阈值化。接下来利用霍夫变换检测所有可能直线,然后通过Gabor滤波统计最大纹理方向,最终确定直线个数,并用随机采样一致性算法拟合初始直线,以此为基础拟合贝塞尔曲线得到车道线及相关参数。在自主研发的无人驾驶车上实验证明,本文的方法对典型的结构化道路车道线有较好的检测效果且能满足实时性要求。相对于结构化道路的检测,对非结构化道路的检测是个更具挑战性的工作。对于非结构化道路的检测,传统的方法多时依赖颜色等信息对场景分类确定道路区域。这些方法对于颜色信息不明显的道路效果并不好,且容易受光照、阴影等条件影响。本文使用一种基于纹理的方法检测道路边界。使用Gabor滤波来检测纹理方向,并统计纹理方向来估计道路的消失点。以消失点为基础,结合另外一种纹理信息局部二值模式(LBP),实现了对道路边界的检测。对于纹理特征不明显的非结构化道路,本文首先通过估计地平线位置,去除天空、路面两旁的树木等干扰区域,再利用超像素技术和LBP纹理结合的方法实现了道路区域的分割。实验证明两种方法能较好的检测非结构化道路的道路边界或道路区域。