智能车是当前的一个研究热点，许多汽车厂商与IT行业重资投入并取得了一定的进展，但其理论与技术是保密的，因此对智能车的理论与技术研究仍具有重要意义。由于路况的复杂性，实现完全智能化无人驾驶还存在一定的难度，所以研究汽车的某个局部智能功能是短期内比较可行的方案。而智能车在障碍路况中的避障控制与路径选择是自动驾驶技术重要的组成部分，本文利用邻域系统和粗糙集的相关理论对其进行了研究。　　首先，为了区分单参数模糊集和多参数模糊集，提出了多维模糊集的概念，从理论上证明了多维模糊集在某参数论域上的投影为一个单参数模糊集。同时基于参数个数探讨了模糊软集与多维模糊集的关系，并从理论上研究了此关系在模糊综合评判中的体现和作用，指出了模糊综合评判的多样性。　　为了研究智能车在有障碍路况下的动态控制问题，先根据微分的思想建立了可移动物体在三维空间中微分邻域的数学模型，并将其用于动态障碍路况条件下的智能车平面可行邻域的创建方法。该方法根据邻域中关键边界点的变化趋势，综合考虑邻域的宽度和长度等因素得到智能车的实时可行邻域。为了算法易于实现，用有限个梯形邻域将此邻域覆盖，再取其覆盖粗糙集模型意义下的下近似作为梯形可行邻域。对于静态障碍物，用有限个梯形邻域将障碍物覆盖并取其覆盖粗糙集模型意义下的上近似作为障碍区域，从而使不易进行数学描述的非规则障碍物处理为易于描述的。相对于动态障碍物，静态障碍路况条件下的智能车平面可行邻域的创建方法相对简洁。该方法以邻域相关参数为限定条件，利用模糊软集和多维模糊集建立了梯形可行邻域系统，然后基于此邻域系统给出了相对于规则障碍物的智能车可行邻域的选择方法。不论道路上是动态障碍物还是静态障碍物，一旦智能车的梯形可行邻域确定，再用有限个标准的梯形可行邻域将此邻域覆盖，取其覆盖粗糙集模型意义下的下近似来近似该邻域，并调取标准梯形可行邻域相应的控制规则进行决策。　　最后通过Matlab对有障路况下的避障控制算法进行了仿真实验，说明了上述方法的有效性。