步入新世纪以来,随着科技的进步,汽车的作用与功能也发生了革命性的变化,汽车的智能化发展也开始引领多个行业产生变革。此时无论是国内外互联网公司,还是各国的汽车公司、高校都已经开始了对无人驾驶汽车和先进驾驶员辅助系统的研究,由此可以看出无人驾驶汽车技术和先进驾驶员辅助系统的发展有相当大的前景。而先进驾驶员辅助系统作为车辆行驶安全的辅助系统,能够有效避免因为驾驶者在开车行驶途中由于走神或者注意力分散所引发的的车祸。在这之中,汽车超速行驶、占道和越道行驶、酒后驾驶及疲劳驾驶是造成交通肇事的主要因素,所以降低驾驶人员人为的主动错误,对减少交通事故的发生率有着积极的意义。其中车道线检测在无人驾驶汽车和先进驾驶员辅助系统中有着非常关键的作用,它可用于车辆导航、侧向控制、防碰撞或车道偏离警告系统。目前主流的方法是利用机器视觉的方法进行车道线检测。总体来讲,我们可以将其归结为三大类:基于车道线灰度特征的识别算法、基于车道线彩色特征的识别算法和基于道路模型的识别算法。但是综合上述几类算法,我们发现当运行道路结构发生变化,光照不均匀以及突然拐弯或换道等一些非正常情况下,有些方法就会失效或导致车道线提取不准确。经过分析,我们认为出现类似情况的原因大部分是由于在图像预处理时分割效果不好,从而导致后续的车道标识线的检测和识别出现偏差。本文以驾驶辅助系统的分析与研究为背景,针对结构化道路图像中车道检测所要面对的问题,重点研究了车道线检测。为了解决这个问题,基于视觉的检测方法得到广泛应用,通常侧重于边缘信息检测。但是,只使用一种边缘检测算子在多种路况下进行检测会导致检测准确度不高和检测误差,并且在通过Hough变换拟合直线的过程中会占用较多的内存空间和较长的时间。本文提出使用消失点估计与多种边缘检测算子相结合的方法。所提出的方法可以提高车道线检测的准确性,更对于阴影等明暗变化明显的区域有着较好的健壮性。此外,引入一种基于相邻区域的滤波方法,称为极值滤波。实验表明该方法在一定程度上提高了车道线检测的准确性。