基于机器视觉的道路识别技术是自主驾驶车辆的核心技术之一。尽管许多学者对道路识别技术进行了深入研究,但仍然存在许多问题,制约着道路识别技术的进一步发展。究其原因,主要是由于实际道路环境的复杂性与多样性,如阴影、光照变化、路面覆盖物等,从而大大增加了道路识别的难度。另外,为了增强决策函数的泛化性能,提高道路识别的正确率,加之实际道路环境的复杂性与多样性,往往需要提供大量不同的样本进行训练学习,通常需要大量的计算资源,从而传统的批量学习方式已难以适应实际的应用要求。针对上述问题,本文针对复杂环境下道路识别中的增量学习与道路特征提取进行了深入研究,其主要研究工作如下：(1)在研究双支持向量机的基础上,借鉴于传统支持向量机的增量学习方法,提出了基于双支持向量机的增量学习算法。将训练样本集分为历史样本集和新增样本集,每当增加样本后训练样本集发生变化,需要更新分类决策函数。在保证双支持向量机分类精度的前提下,本文给出了保留历史样本集中的重要样本和选择新增样本集中的关键样本的方法,从而建立了有效的动态训练样本集,进行增量学习,降低了算法的计算规模。选取6个UCI标准数据集和Road数据集进行仿真实验,实验结果表明本文的增量学习算法能够有效的提高训练速度,并能够有效地识别出道路图像中的大部分道路区域。(2)对双支持向量机进一步研究,将分类问题扩展到回归问题,提出了基于双支持向量回归机的增量学习算法。不同于双支持向量机建立动态训练样本集思想,该方法能够充分利用增量学习前的计算信息,大大简化了增量学习时逆矩阵的求解,降低了模型训练的复杂度。在人工数据集、时间序列预测和Road数据集上的实验表明,该算法快速有效,并能够有效地识别出道路图像中的大部分道路区域。(3)提出了基于K-means特征的复杂环境下道路识算法,首先利用SLIC超像素分割算法将道路图像分割成同质的超像素块,接着在超像素块的基础上提取K-means特征构建训练样本集,然后分别使用基于分类和回归的增量学习算法进行训练学习,得到决策函数,最后对待分类的道路图像提取同样的特征数据,使用决策函数进行分类识别。仿真实验表明,该算法在一定程度上解决了道路识别技术中训练耗时以及存在阴影、路面覆盖物等复杂环境下识别正确率低的问题。