社会的发展催生了上世纪八十年代开始的智能车辆研究,智能车辆的目的是利用机器来代替或者辅助驾驶员从而提高驾驶的安全性和可靠性。道路检测是智能车辆的基础和核心。由于成像设备的快速发展、视觉传感器提供的信息最为丰富并且最接近人类感知环境的方式,因此,基于视觉的道路检测在智能车辆系统中应用广泛,发展迅速。但是,光照的变化、天气的变化、道路形状的不规则性、道路区域阴影以及道路上其他的车辆或者行人都给道路检测带来了极大的挑战。本文在车道线、道路区域、道路边界检测的基础上深入研究了基于多传感器融合的道路检测算法,从而提高算法在不同环境下的鲁棒性和准确性,具体包括:本文采用了多个不同的道路分类器来提取道路信息,分别是:基于最短路径的道路区域分类器、基于Prewitt算子的道路边缘检测、基于梯度的行道线检测。基于最短路径的道路区域检测方法能够很好地区分道路场景中颜色相似位置不同的区域,同时,该方法能够有效地应用于道路形状复杂的场景,检测结果不易被道路形状的变化影响。本文针对空间线模型对道路宽度变化不具有鲁棒性的问题,在原始的SPRAY特征基础上提出了基于二值空间线特征的道路区域检测方法,该方法弱化了距离对特征的影响,因此在路宽变化的场景下能够适应道路宽度的变化。同时,针对SPRAY特征提取缓慢的问题提出了基于帧间关系的SPRAY加速方法,利用图像序列间的相似性可以避免重复像素点的特征提取与预测。本文针对夜间可见光相机效果不理想的问题,提出了一种基于空间线模型的可见光图像和红外图像融合的道路检测方法。该方法通过红外相机和可见光相机捕获同一道路场景的红外和可见光图像并通过SPRAY模型融合使得方法能够做到全天候工作。针对直接将SPRAY模型应用于红外和可见光融合的方法会造成时间复杂度高的问题,本文结合SPRAY特征提出了基于SPRAY特征的随机游走的道路检测算法。该方法保留了识别能力良好的SPRAY特征,同时避免了对大量的像素点进行复杂的SPRAY特征提取。该方法核心是基于SPRAY特征的道路中心线识别,通过结合SPRAY特征和机器学习识别道路中心线,并在中心线的基础上结合了随机游走算法实现了道路区域检测。