随着我国汽车工业的快速发展,私家车的保有量逐年攀升,方便出行的同时日益多发的道路交通事故对人们生命和财产安全也造成了重大危害。一般情况下,车辆的行驶状况取决于驾驶员的状态。在实际驾驶过程中,驾驶员获取的绝大部分信息均来自于视觉,如果能很好地利用视觉传感器理解路面环境,并与车辆本身的行车控制相结合,将大大提高交通安全,降低交通事故发生。从汽车诞生之初,人类就不断完善汽车的各方面性能,在汽车动力性能不断提升的情况下,安全问题日益突出。近些年计算机信息技术的迅猛发展为汽车工业开展新一轮的提高行车安全的革命带来契机。本文的研究内容为基于视觉的行车路面附着等级判断,核心思想是利用计算机视觉技术评估智能汽车前方行驶道路的附着状态并给出判断等级,即在识别可行驶范围的前提下估计该区域内各个子区域的附着状态。本文重点研究为在车载摄像机视频图像中估计路面不同区域的附着等级。文中分别对车道范围识别、道路常见目标识别和路面图像附着状态分类进行了研究。在车道识别过程中,根据建立的车道识别数据集进行端到端的卷积神经网络训练,得到能够在行车视频中识别本车道范围的模型。通过一个降维的YOLO目标识别网络识别路面中车辆、行人等目标。然后在车道范围中剔除干扰路面图像的人、车等目标后将剩余的路面分割成一系列的图像块,并将这些图像块送入一个经过训练的分类网络分类到不同的附着等级。最后,还原程序将这些图像块的附着状态还原并叠加到原始图像上作为输出结果。为了控制整个识别流程,由Python编写的程序通过接口来调用整合三个主要的视觉处理任务来完成整个识别任务。为评估任务完成的好坏,本文最后针对各识别任务设计了验证实验,通过设计评价指标评估实验结果。最终各任务都保持较高的识别准确性。在研究过程中通过多种途径构建了较为完整的数据集,提高实验性能。为了更好的获得这些数据集,本文首先基于OpenCV构建了一个车道识别和路面图像块分割算法,用于自动的从采集视频中生成路面图像块数据集。在数据集使用方面,通过包括借用开源数据集、实际行车采集和高仿真模拟游戏的多种方式收集涵盖多种道路类型和不同天气的车载相机行车视频作为数据集的图像源文件。根据这些数据分别标注了针对不同视觉任务数据集。在车道检测和目标识别数据集方面,主要以开源数据集为主,以本人收集数据集为辅。