视觉导航技术一直以来都是无人驾驶技术研究领域的核心问题之一。现有的端到端的或是基于强化学习的无人驾驶控制技术存在可解释性不强、鲁棒性差的缺点。本文通过引入预瞄点作为中间变量,建立了一套基于图像预瞄点估计的视觉导航渐进优化算法,并提出了一套包含数据采集方法、模型循环更新方法等算法的完整算法框架。同时基于此框架对算法性能、样本采集效率等进行了优化探索。本文主要研究内容和成果包括:1.针对传统端到端的视觉导航算法缺乏可解释性的问题,本文引入预瞄点作为中间变量,将问题转化为预瞄点估计和基于预瞄点的车辆控制两个子问题。对于前者,本文构建了以图像为输入,预瞄点概率图为输出的全卷积神经网络模型,有效实现了预瞄点估计;对于后者,本文构建了预瞄点到车辆前轮转角的映射模型。综合这两种模型,实现了一种新的端到端的视觉导航算法。为了提高该算法对环境的适应性,本文设计了一种有效的模型更新策略,使模型具备对新环境的适应能力。2.针对新的视觉导航算法中预瞄点估计算法鲁棒性不足的缺点,论文进一步构建了融合RGB图像和语义分割图像的多模态神经网络模型,同时引入道路分割线索、车辆行人检测等其他线索,进行多线索的决策级融合,有效提升了预瞄点估计算法的鲁棒性。3.针对新的视觉导航算法样本采集过程中预瞄点样本采集效率较低的缺点,本文提出了一种基于单目相机时间序列数据集的预瞄点快速标注算法。该算法通过引入视觉里程计技术,实现了预瞄点的无监督采样,极大提升了样本采集的效率,加快推进了本算法的实用化进程。