近年来,随着居民汽车保有量的快速增加,导致交通事故频发,汽车行车安全性问题日益严峻。人工智能技术和图像处理技术的迅猛发展促进了视觉技术在智能车辆上的应用。车道线检测和车辆检测是视觉技术中至关重要的一部分。然而,在夜间低光照场景下车载相机获取的图像亮度低、对比度不足、图像细节纹理不清晰且光照复杂,对车道线和车辆的检测造成极大的困难。本文从提高智能车辆在低光照条件下行驶的安全性角度出发,以提高车道线和车辆检测准确率为目标,对夜间低光照条件下的车道线检测以及区域内的车辆检测进行深入研究。本文的主要研究内容如下:（1）针对夜间图像整体亮度低、对比度不足这一问题,提出一种基于融合的图像增强方法。采用多尺度retinex方法对图像进行光照补偿,提高图像亮度,采用二维经验模式分解方法提高图像对比度。最后将光照补偿图像和高对比度图像融合,进一步提高图像的亮度和对比度。实验结果表明,与现有方法相比,该方法对夜间车道线图像的对比度和亮度有较大提高。（2）针对夜间车道线检测算法准确率受环境光线和天气影响较大的问题,提出一种基于线段强度的车道线检测方法。首先以线段强度作为车道线权重,通过估计道路消失点获取动态感兴趣区域,滤除背景干扰信息;采用基于密度的空间聚类方法对车道线聚类,消除虚假车道线;最后将聚类后的车道线抽样离散化且同时向两边延拓以增加车道线拟合时数据点数量,使用最小二乘法和随机抽样一致性方法拟合车道线,提高车道线拟合时的正确率。实验表明,与现有的方法相比,该方法在夜间低光照环境下车道线检测准确率有较大提高。（3）针对夜间低光照条件下,车辆纹理、边缘轮廓等特征信息缺失造成车辆检测准确率较低的问题,提出一种基于夜间常亮红色尾灯特征的车辆检测方法。使用动态阈值法在Lab颜色空间和HSV颜色空间中分别提取车辆尾灯,利用逻辑运算和形态学滤波消除环境中其它光源的影响。通过车辆尾灯匹配准则配对尾灯,用相似度函数消除误匹配,得到尾灯对的最佳匹配结果。在多种场景下的测试结果表明,该方法在夜间低光照条件下车辆检测准确率高,鲁棒性好。