发展智能车辆技术不仅有助于改进车辆的安全、环保、节能性能；减少道路交通事故，提高交通系统效率，而且在工业、军事、科学等领域都具有广阔的发展空间和应用前景，已经成为世界各国共同关注的问题。本文首先回顾了智能车辆系统的发展历史，总结了智能车辆在国内外的研究现状，对智能车辆的研究方向及其关键技术方法进行了阐述。智能车辆的决策控制体系结构是智能车辆信息处理和控制系统的总体框架，是整个智能车辆系统的基础。在分析现有各种智能车辆体系结构优缺点基础上，提出了一种用于道路环境下智能车辆自动驾驶的集中决策与分散决策集成的混合式智能车辆体系结构。该结构把系统的决策分成两个层次，即低层的分散决策和高层的集中决策，较好地兼顾了系统的智能性和实时性。环境信息感知是智能车辆进行自主式智能行驶以及辅助驾驶运行的前提。针对智能车辆自主导航中传感器检测环境信息的不确定性以及单一层次传感器信息融合的局限性，提出了一种BP神经网络和模糊神经网络相结合的两级融合方法，并应用于智能车辆路径跟踪与避障控制。采用BP神经网络实现对多超声波传感器信息的融合，以消除或减少传感器数据的不确定性；采用模糊神经网络实现智能车辆的导航决策控制，使决策信号更适合导航系统的控制要求。智能车辆路径规划将感知的环境信息进一步处理，为智能车辆运动跟踪控制提供参考，是智能车辆完成任务的安全保障。考虑到在道路中存在障碍物的可能性，提出了一种利用多传感器的自适应阈值VFH局部避障路径规划方法。利用单目视觉传感器检测可通行道路的边界，在道路边界内激光雷达对障碍物进行预检测，再对包含障碍物的图像区域进行准确定位，最后采用改进的VFH方法对局部路径进行规划。通过对速度和转角的决策输出使之比传统只对转角控制进行路径规划方法节省时间，增强系统的实时性。智能车辆运动跟踪控制是智能车辆任务执行的实现途径，也是路径规划最终效果的体现。针对现有路径跟踪控制方法的特点，为了提高智能车辆路径跟踪控制系统精度以及实时性，提出了一种基于道路人工势场的路径跟踪控制方法。该方法模仿人类驾驶思维，所构建的环境道路人工势场包含了车辆与目标路径的偏差信息及车辆前方预瞄信息，算法简单，其控制器的参数可实时进行调整。为进一步验证本文所述理论及方法，设计了智能车辆系统验证平台，包括道路图像处理系统；超声波传感器及激光雷达测距系统；车速测量系统；自动转向与车速控制系统；通讯系统以及车载传感器和主要设备等。基于所设计的试验平台对智能车辆路径跟踪与自主避障进行试验验证，测试结果表明了本文所提相关方法的有效性。