AGV视觉导航研究是汽车自动驾驶研究的重要内容。本文以汽车自动驾驶系统中的视觉导航应用为主线，对视觉导航的关键和相关技术进行了深入分析与研究。具体内容如下：1．简要回顾了计算机视觉技术的研究应用现状以及基于视觉的AGV系统在国内外的研究发展现状，指出了当前AGV视觉导航技术的研究难点和研究新方向。2．作为机器视觉的基本和关键技术，深入探讨了摄像机的内、外参数标定方法。在摄像机透视投影模型和成像模型基础上，提出了一种简单的利用主动系统的平移运动对摄像机参数进行标定的方法，并给出了标定结果。为了准确建立图像间对应点之间的对应关系，提高摄像机标定精度，提出了基于Harris亚像素角点检测匹配的方法，试验证明该方法能提高匹配精度，有助于有效准确的标定摄像机参数，为实现摄像机的目标准确定位奠定了基础。针对汽车在结构化道路上运行的实际环境，在路面平坦假设前提下，推导出了单摄像机的反透视投影变换公式，为图像上点的空间定位奠定了理论基础。3．深入讨论了基于边缘特征的道路标志检测方法。分析了光照、阴影对检测结果的影响，发现利用道路标志的颜色特征可以获得更好的检测效果，提出了一种利用颜色特征的图像亮度调整预处理算法。在道路标志直线模型下，从图像本身具有的模糊性特点出发，提出了基于模糊推理的边界检测算法，试验表明该方法可以获得正确的检测结果。采用了HT(Hough Transition)的方法获取道路标志的边界，并针对AGV实际应用特点，结合汽车运动模型，预测道路标志在序列图像中可能出现的位置，从而减少HT运算量，并在此基础上提出了道路标志提取中的改进HT变换算法。分析了共线性特征与最小特征根之间的关系后，提出了基于最小特征根的直线检测方法，与HT直线检测方法比较，该方法运算速度明显高于HT算法，并具有较强的抗干扰能力和较好的检测效果。在道路标志二次曲线模型下，提出了一种向下投影的道路标志检测算法。该方法首先通过道路标志在图像水平抽样上的投影点求取中心点，然后将这些中心点进行曲线拟合获得道路标志曲线。为了提高道路标志中心点的检测准确率，本文提出了基于道路标志宽度的伪中心点去除方法，试验证明了该方法的有效性。4．给出了单幅图像上障碍物检测的一般步骤。根据路面灰度一致性假设，运用FCM算法通过障碍物灰度和路面灰度的不同进行障碍物的检测。FCM算法的分割结果受到初始值的影响，提出了基于体素密度的FCM初始值获取算法，与常用的聚类有效性判据的方法比较，本文提出的方法能快速有效的求取出具有不同分布密度和复杂分布特点的多维样本集合的最优聚类数目和初始聚类中心。为了改善FCM的运算性能，本文提出了权集和加权样本概念，提出了运用在权集上的FCM算法：WFCM算法，并将其运用在图像分割中，理论和试验表明，该方法在保证相同分割结果的前提下大大提高了处理速度。在WFCM基础上提出了FCM的快速算法一般形式：fFCM算法；fFCM首先运用WFCM算法获得一个近似的迭代结果，然后再次使用FCM以获得最终的迭代结果，试验表明，这种方法能够加速迭代过程，缩短迭代运行时间。给出了障碍物距离车体的距离计算公式，并对此公式的适用范围进行了讨论。5．分析了三轮原型车体的运动模型，设计制造了试验车体。采用了PID控制方法进行运动控制器设计。试验表明，该模型和方法能够满足车体的视觉导航要求。