近年来,随着经济的发展,现有的道路运输系统已不能满足当前社会发展的需要。各国政府和科研机构都将大量精力投入到(Intelligent Transportation System,ITS)的研究。其中汽车无人驾驶和自主导航是ITS的关键技术。　　由于视觉导航具有信号探测范围宽、目标信息完整、成本较低及最符合人类感知方式等优点,本文研究了基于单目视觉在无人驾驶及自主导航系统中实现道路车道线检测、跟踪和规划的关键技术。　　首先,摄像机标定和道路模型建立。利用张正友提出标定方法,进行摄像机内参数标定;而在现场应用中,提出了一种基于道路图像检测的摄像机外参数标定方法,通过验证,满足智能车的精度需要;然后,在选取世界坐标系道路车道线模型的基础上,推导图像像素坐标系上相应模型,分析得到与车道几何结构参数、车辆位置参数相关的模型系数,为后续的参数检测和跟踪奠定理论基础。　　其次,提出了改进Canny算法的道路图像边缘增强方法。为解决传统Canny算法人为设定双阈值带来的效果差,自适应性较低等问题,采用梯度直方图与局部方差最大结合的阈值选取方法,可以针对不同路况,自适应选取阂值,提高了算法的鲁棒性。　　再次,提出了基于改进的逐步概率霍夫变换(PPHT)算法道路车道线检测方法。根据道路特点,通过设定感兴趣区域和限制映射输入点集,减少像素点的映射转换,提高算法的实时性。利用前面推导的道路模型,对直道和弯道进行道路模型参数提取,拟合完整车道线。经大量实验,表明该方法对各种路况下的车道线识别率达到92％以上。　　最后,采用基于粒子滤波的车道线跟踪算法。通过车道线检测获取模型参数,对粒子状态进行初始化;分析车辆实际运动状态,建立相应的粒子状态转:移模型;并提出一种基于梯度图像的似然估计观测更新模型,确定粒子权值;得到描述车道线状态的后验概率估计。粒子滤波跟踪能维持多个假设,使得算法能够可靠地跟踪车道线,实验证明,该方法大大提高跟踪算法的鲁棒性。　　通过对基于单目视觉的车道识别跟踪关键技术研究,实现了基本的无人驾驶功能。为了验证视觉导航系统识别和实时性效果,开发了仿真及实车实验平台,通过大量的实验对该系统的关键技术及整体性能进行测试,车道线检测算法处理时间低于35ms/帧,而采用粒子滤波车道线跟踪后处理时间为25ms/帧左右,可以满足最高车速为120km/h的智能车实时需求,通过测试结果表明,视觉导航系统在不同的路况下具有很好的适应性和抗干扰能力。