随着智能交通系统的发展和图像处理技术的进步,基于视觉的自动驾驶技术也得到了快速发展,同时搭载自动驾驶技术的智能车辆发展也受到了广泛关注。车道线与目标车辆检测算法是智能车辆搭载的关键技术之一,已经成为智能车辆的研究热点,并有多种算法应用于智能车辆中。但是实际道路交通状况比较复杂,车道线与目标车辆检测易受道路环境等因素的影响,在不同光照条件下对车道线与目标车辆进行精确检测比较困难。针对以上问题,本文对基于视觉的车道线与目标车辆检测算法展开了研究。首先利用同态滤波对道路图像进行增强,消除图像中照度不均问题,降低光照条件对目标检测的影响;然后对道路图像进行划分选取车道线区域,并对Canny算子中的双阈值选取进行改进,自适应精确提取车道线边缘特征;通过极角约束Hough变换对车道线区域进行直线检测,获得车道线检测结果;最后根据车道线参数得到车辆当前可行使区域信息。道路前方的运动目标是影响车辆行驶安全性的主要因素,因此在车道线检测的基础上通过分割车尾阴影特征完成目标车辆检测。首先根据车尾阴影的灰度级特点,利用二次阈值分割结合Kmeans聚类算法进行车尾阴影特征分割;然后利用形态学运算优化阴影特征形状,并通过计算连通域最小外接矩形得到车尾阴影线坐标;最后根据车尾阴影线坐标生成车辆假设区域,并利用车尾对称性验证车辆假设区域。选取实际道路图像与i Roads dataset数据集中的道路图像作为实验素材对提出算法进行验证,素材中包含不同光照条件下的道路图像。通过大量实验表明:本文提出的算法可以在不同道路环境中对车道线及目标车辆进行准确检测,能够解决不同光照条件下车道线检测结果不稳定的问题,降低不同光照条件对目标车辆检测准确率的影响,算法具有良好的稳定性。