针对智能车视觉感知中存在的识别准确度低、实时性差、抗干扰能力弱等问题,基于图像处理与嵌入式技术设计开发了智能小车目标识别与跟踪运动控制系统。提出了一种在线模板匹配结合形状检测的优化目标识别算法,解决了传统模板匹配和单一形状检测具有的误差大、识别率低等问题,克服了动态模板更新的跟踪漂移缺陷。基于Q-learning强化学习算法,利用径向基神经网络对动作值函数进行泛化,优化了小车在目标跟踪中的全局路径规划方案。本文主要研究内容和结果如下:(1)提出了一种目标小车、跟踪小车、上位机的系统框架模型。基于实际功能需求分析基础,设计小车摄像头、蓝牙等硬件配置,结合嵌入式系统的烧录与移植,实现了智能小车实验平台的整体搭建。(2)采用V4L2获取视频图像并通过TCP协议Socket网络模型进行实时传输。基于数字图像处理技术对原始图像进行灰度化、滤波及边缘提取等预处理,得到了对比度高、轮廓边缘明显的目标图像。(3)提出了一种模板匹配结合形状检测的目标识别算法,优化了动态匹配中模板更新模型和匹配遍历过程。基于目标轮廓检测识别并确认目标信息,通过质心法计算目标位置坐标,提高了目标识别定位的准确性与实时性。(4)基于Q-learning算法进行在线学习,通过径向基神经网络对动作值函数进行逼近,加速算法的泛化从而提高小车在路径规划中的学习效率。采用PID算法控制电机,设计实际跟踪策略,实现了小车对目标的智能准确跟随。(5)实验结果表明:优化目标识别定位算法可以准确定位目标位置,基于径向基网络的Q-learning算法有效地加快了传统Q-learning算法的收敛速度,跟踪时两车转角曲线基本重合,变化趋势始终保持一致。智能小车系统性能稳定、跟踪准确,总体达到预期的效果。