智能车辆是一种能够在室内和室外环境下连续的、实时的自主运动的机器人。智能车辆的研究已经成为高科技领域具有战略性的研究目标,随着军用、民用和科学研究等领域巨大需求的推动,其正经历着日新月异的变化。在智能车辆的各项关键技术中,视觉导航的研究涉及到计算机视觉的各个主要方面,是一个有难度的综合性课题。视觉导航的基本任务是根据获取的视觉信息正确识别出道路区域和车道线。由于室外环境的复杂多变以及图像数据量大、处理耗时,导致视觉导航系统的算法通用性、实时性和鲁棒性得不到满足。本文旨在提高视觉导航系统的通用性、实时性和鲁棒性,对智能车辆的道路识别算法、车道线识别算法进行了探索与研究。首先,本文针对道路区域识别算法不能适应室外复杂的道路环境,提出了一种基于道路特征样本的道路检测算法。算法在分析了复杂的室外道路环境的基础上,确定了道路特征样本的选取原则,通过分析研究相关颜色模型,选定了以归一化的RGB值为道路颜色表示方法。特征样本参数分别选取了样本的归一化的RGB颜色均值（?）,（?）、（?）和他们的标准差δ_r、δ_g、δ_b以及平均灰度值（?）及灰度标准差δ₁,共8个参数来表示道路样本特征。这些参数可以有效的消除室外因光线强度变化而引起的颜色变化,很大程度上减少了样本的数量。在道路区域识别方面,算法以特征样本为基础,采用区域增长等方法实现了道路区域的识别,算法效率高、识别准确。文中还对道路的定义从计算机视觉的角度进行了研究。其次,针对目前车道线检测算法复杂,计算量大的问题,本文在基于特征样本的道路识别算法的基础上,提取车道线特征样本,并对道路区域算法进行改进,率先实现了道路区域识别与车道线分离在同一过程中完成,减少了车道线识别步骤,提高了系统效率。在车道线分离出来后,算法通过骨架线抽取、矢量化预处理及分段直线法等步骤实现了车道线的矢量化。方法简单、实用、高效。上述算法步骤少、计算简单、通用性强,与其他识别算法有很大不同,可以较好的满足视觉导航系统对通用性、实时性和鲁棒性的要求。研究过程中对算法进行了验证。