社会高速发展，道路交通系统不断涌现的诸多问题，使得智能交通系统(ITS)得到了广泛的关注和研究。智能车辆是ITS的重要组成部分，本文根据Marr的视觉三层次理论，从理解车辆行驶环境的角度出发，运用双目立体视觉技术对车辆行驶中环境进行检测，以获取当前的车道及目标车辆信息。主要对处理算法进行了深入研究包括：车道线识别、目标车辆识别、目标车辆的特征提取和特征匹配。主要研究内容如下： ⑴研究了一种结合形态学的车道线检测方法。采用45°和135°方向模板Sobel算子对获取图像进行边缘检测。边缘检测后，以提高车道线提取算法的实时性和可靠性为目标，根据车道线成像的方向性，选取特殊结构元素对边缘图像进行形态学处理，保障真实车道线边缘信息比例的同时有效地降低了边缘信息总量，很大程度上降低了后续Hough变换提取车道线的运算压力。整体上提高了算法的实时性和可靠性。 ⑵研究了一种实用的车辆识别和车辆特征提取方法。根据车辆底部阴影这一稳定特征，研究了一种基于HLS模型灰度图像的阈值分割方法，较传统基于YUV模型灰度图像的阈值分割。采用该法，分割结果对阈值的变化有更强的适应性。SUSAN是一种非常稳定的特征提取算法，确定目标车辆后采用该法可以准确、有效地提取出车辆特征角点。 ⑶研究了一种基于SAD(Sum of Absolute Differences)相似测度的多约束特征匹配算法。采用SAD法作为相似测度，实时性好。匹配前结合基本约束条件，可减少匹配时的搜索空间，有利于系统的实时性；匹配过程中以像素点Census变换后的汉明码距离作为匹配约束条件，提高了系统的可靠性；初始匹配完成后采用视差梯度约束去除伪匹配。经标准图像和实际采集的道路图像验证，和经典SAD法相比，该法有更好的可靠性。 ⑷通过对汽车自动驾驶双目视觉关键技术的研究，可有效检测当前车道线及目标车辆。为了验证系统效果，开发了仿真及实车实验平台，通过大量的实验对系统的关键技术及整体性能进行了测试。结果表明，系统在不同光照、天气、道路条件下具有良好的适应性，具备较好的抗干扰能力。