无人驾驶车要实现自主导航,需要从多传感器数据中实时获取可量化的道路区域信息。针对高速公路等结构化道路环境已经有很多实用的检测方法。与之相比,由于非结构化道路边界模糊,路面形态多样,更易受季节、天气等因素影响,使得该种环境下的可靠道路检测成为保障无人车长期稳定运行的关键。针对非结构化道路检测的问题,本文设计了一种由安装视角高低不同的两个单目摄像机构成的视觉系统。其中高视角摄像机可以覆盖前方较远区域,研究中可采用Gabor滤波算法检测并追踪道路消失点,从而实现道路延伸方向的估计。考虑车载激光的有效观测范围,将低视角摄像机的覆盖区域设定为车前九米范围内的道路区域。为了平衡分割精度与计算复杂度,采用超像素分割算法将低视角摄像机采集的图像划分成200个超像素块,然后利用支持向量机完成超像素块分类,并通过形态学处理提升道路分类效果。由于行人、车辆等物体不具备稳定的分类特征,基于单目视觉的分类算法无法保证无人车自主导航的可靠性。本文以视觉激光联合标定结果为基础,提出了一种可将视觉检测结果呈现于三维激光数据的建模方法,不仅可通过激光测距数据的几何特性对视觉检测结果进行校正,并可完成道路边界在车体坐标系下的三维描述,从而实现了道路检测与导航的无缝集成。利用自主构建的道路环境数据库进行上述检测算法有效性和实用性的验证。该数据库由非结构化道路环境中超过10000帧图像及对应的激光数据构成,数据跨越了春、夏、秋三个季节,包括晴天、阴天及雨后三种天气状况,并涵盖强光照、阴影等不同因素。实验中发现当遇到雨后等较极端环境状况时,上述算法分类精度会急剧下降,这是由于测试道路特征与训练样本特征差异过大造成的。为了解决上述问题,本文提出了一种基于在线学习的非结构化道路检测方法,采用了从测试数据中实时获取新样本用于分类器在线更新这种策略,从而提升了无人车对环境变化的适应能力。对改进的在线学习算法进行实验验证,实验结果及数据分析表明该方法检测精度和实用性均能满足无人车面向校园非结构化环境自主导航的实际需求。