基于视觉的智能导航系统是机器视觉领域中的研究热点之一。道路识别算法作为智能导航系统的重要组成部分,采用图像处理、机器学习与模式识别等技术检测道路路面,为智能导航系统提供准确的道路信息。实时性和鲁棒性是道路识别算法面临的关键问题。随着计算机视觉、模式识别以及数字视频技术的发展,众多学者针对道路识别算法的实时性和鲁棒性进行了深入的研究,提出了很多新的思路和方法。然而,解决算法在阴影、雨雪天气等复杂环境下的实时性与鲁棒性仍然是一项极具挑战的任务。图像分割与消失点检测是道路识别算法常用的两个技术。在基于图像分割的道路识别算法中,多数算法使用单一通道的图像信息分割道路和非道路区域,具有较高的实时性,但鲁棒性相对不足。相反,基于消失点检测的道路识别算法具有较好的鲁棒性,但缺乏实时性。结合当前的研究现状,在保证算法实时性的基础上,如何进一步提高算法的鲁棒性,使算法在实时性和鲁棒性之间取得平衡是本文的主要研究目的。本文研究了当前主要的道路识别算法,并分别从图像分割和消失点计算两个角度提出了具体的改进方案。本文主要工作如下：首先,针对当前多数算法因使用图像的单通道信息而鲁棒性表现不足的问题,本文从充分利用图像彩色信息的角度出发,提出了一个基于四维模型的彩色图像分割算法,以及基于该方法的道路识别算法。新的分割算法引入四维模型描述图像中各像素的概率分布,将各像素的各个通道的颜色信息融为了一个有机的整体,为算法对道路区域和非道路区域的判断提供了丰富、准确的色彩信息；同时,算法引入了向量的概念,将经典的Otsu算法扩展到了四维空间,实现了一个四维Otsu (4DOtsu)彩色图像分割算法。其次,针对基于消失点检测的算法实时性相对不足的问题,本文从降低算法训算量的角度出发,提出了一个实时鲁棒的道路识别算法。该算法首先对图像进行预处理,提取图片的有效像素点,并将像素几何方向的计算限定在有效像素中,从而降低了算法的计算量,提高了算法的实时性。在消失点计算过程中,算法改进了投票策略,依据两个像素之间的距离,对投票的可信度做了定量的衡量。同时,算法引入了新道路边界的计算方法,融合了色彩,梯度,边缘等信息,提高了算法的鲁棒性。这些改进还同时提高了算法在结构化道路和非结构化道路中的通用性。为验证本文的算法,本文采用了“湖南大学无人车”在试验和比赛过程中采集的真实场景视频以及自拍的道路图片对算法进行了测试,并将本文的算法与相关的经典道路识别算法进行了对比分析。对比实验结果表明,本文的算法具有较高的鲁棒性与实时性。