随着科技的发展,机动车的数量也在不断的增加,每年都会有许多人在驾驶机动车的过程中由于驾驶不慎或者注意力不集中导致交通事故的发生。车道偏离预警技术可以有效的减少交通事故的发生,而适用于各种复杂路况的车道线检测技术是该系统最为关键的部分,关系到该系统的成败。目前车道线检测技术仍然存在两方面的问题需要解决,一是当道路图像相对复杂时,如何提高车道线检测的鲁棒性,二是当鲁棒性达到系统的要求时,如何使算法的实时性也得到满足。针对以上两个问题,本论文提出了两种实时有效的车道线检测算法,对复杂道路图像进行预处理之后,考虑到复杂的道路图像使用单个阈值不能很好地分割车道线特征点和非特征点的问题,本文使用改进的Otsu最优阈值和图像像素点坐标结合的算法,通过局部阈值提取出车道线特征点,经验证该算法在光照不均和路面有阴影的道路上有良好的提取效果;同时,根据车道线的固有线性特性,设计出几种符合车道线特征的Haar-like矩形特征用于训练弱分类器来检测车道线特征点,使用改进的Adaboost算法对设计的Haar-like矩形特征进行训练,将Haar-like弱学习算法加权组合为强学习算法。最后通过训练出来的带权值的判别函数对车道线特征点进行投票判断。由于通过改进的Adaboost算法提取的特征点有很多的误检点存在,算法加入了后续处理流程,有效的排除了强分类器的误检像素点。在车道线拟合阶段,针对不同形状的道路模型,本论文采用改进的Hough变换检测直线部分,然后通过弯道判断算法,检测是否采用弯道算法,使用加权值的双曲线模型检测车道弯曲部分,利用本文算法拟合的车道线更加的贴合实际的道路标志线。