道路作为城市的脉络，其信息的价值越来越明显，无论是辅助驾驶还是GPS导航，抑或未来的无人驾驶车，都依赖于对道路的认知。为了拓展现有地图，丰富道路信息，本文对道路面上的多种信息进行检测和识别，主要包括车道线的检测识别、路面交通标志的检测识别、基于视觉的车辆主运动估计等，具体有以下几个方面的研究：针对传统视觉系统感知范围有限且容易受其它车辆遮挡问题，本文设计了一种基于车载环视和全景的环境感知系统，其中环视系统由车辆周身四个鱼眼相机构成，用于获取近视野的当前车道信息，避免了其它车辆遮挡导致的车道线检测失败；全景系统由一台可以拍摄360度全景图的相机构成，用于获取大范围的多车道信息。经标定融合后两个系统可以协同工作、信息互补，最大限度地提供全面的道路信息，消除环境感知盲区。针对当前车道标线检测和类型识别问题，本文提出了一种基于环视的方法。本文采用基于兴趣区域的车道线提取方法进行检测，该方法可以有效地对抗噪声；对兴趣区域内的车道线进行y方向直方图统计和色彩空间阈值划分，以分析行车线的类型和颜色，识别结果通过决策滤波器滤波。实验结果证明了本文方法的可靠性。针对多车道检测问题，本文提出了一种基于全景的多车道检测方法。在环视获得当前车道宽度和行车线位置的基础上，本文利用宽度不变假设，采用像素搜索方法和外推方法对车道线像素进行聚类，并用二次曲线拟合。实验结果表明，在综合情况下本文方法对多车道的检测识别率较高。针对路面交通标志检测与识别问题，本文提出了一种基于滑动窗口的标志检测方法，并使用模板匹配和支持向量机进行标志识别。对于支持向量机，本文对比了Zernike矩、小波矩以及傅里叶描述子三种形状特征不变量，最后以效果最好的傅里叶描述子结合模板匹配方法实现标志识别。实验结果表明，建立在车道检测基础上的该方法能应对多种路面交通标志，准确率较高。针对实际交通环境中存在车辆干扰的问题，本文单纯依靠视觉方法，通过主运动估计实现车辆检测以排除干扰。由于环视图像动态信息少而灰度等级变化较弱，本文采用ICP算法实现边缘点集的配准，获取车辆主运动参数；全景的主运动估计采用光流算法，利用环视的结果对光流场进行筛选，优化参数，最后根据光流特征实现了路面其它车辆的检测。