基于视觉的道路检测是地面无人车环境感知系统中的重要组成部分。目前大多数道路检测算法是针对特定的道路场景事先采集训练样本进行训练，当场景发生变化时，训练得到的分类器便不再可靠。而在基于在线学习的道路检测算法中，训练样本通常是从事先假设的有限安全采样区域获得，由此得到的标记样本包含的道路信息可能并不全面甚至不够准确，最终导致训练得到的道路检测模型也不够完善，而此时图像中仍有大量的含有丰富道路信息的未标记样本未被利用。针对这一问题，本文从理论和实践两个方面对人机协同下的道路检测技术进行了深入研究，包括训练样本的在线选取与自动标记、基于半监督学习和主动学习的道路检测技术等。　　论文完成的主要工作为：　　1、提出了一种基于人机智能融合的训练样本在线标记方法。该方法通过人机交互方式引入人对道路环境的高层感知与决策信息，并结合车辆动力学模型预测出无人车的期望行驶轨迹，在此基础上根据相应的准则在线选取并自动标记训练样本。该方法相对于传统方法能够在线选取更丰富可靠的训练样本。　　2、提出了一种结合半监督学习和主动学习的在线道路检测方法。该方法首先构建了基于混合高斯模型的道路检测分类器，在此基础上提出了一种基于半监督学习的分类器参数估计算法，然后通过引入道路检测结果评价准则对其进行判别，以决定是否采用主动学习机制进行分类器更新。该方法能够充分利用未标记样本信息，同时可根据主动学习样本选取策略，有效地选取具有代表性的训练样本用于更新分类器，从而实现鲁棒的道路检测。　　本文在新建立的数据库上进行实验，验证了所选取训练样本的可靠性以及道路检测方法的有效性和鲁棒性。