自动驾驶是时下汽车行业最为热门的研究领域。为了保证自动驾驶汽车的安全性,必须让其具备感知周围环境,并避免与障碍物尤其是前方车辆发生碰撞的能力。目前,对于环境感知的研究主要是基于摄像头,毫米波雷达和激光雷达等传感器获取的信息。利用环境感知技术可以检测出前方车辆。但是,若自动驾驶技术想要取代人类驾驶员,在满足安全性的基础上,还需要保证乘坐舒适性以及燃油经济性等性能。这就需要自动驾驶汽车可以像人类一样理解前方道路场景,从而为驾驶决策提供依据。基于此,本文研究了基于机器视觉的前方车辆检测及驾驶意图识别。首先,文中改进了目标检测领域最新的深度学习算法YOLO V3的网络模型,并将其用于检测前方车辆。改进后的模型在检测准确率不变的情况下,检测速度得到提升,实时性更好。其次,根据摄像头成像原理,提出基于单目测距模型的车距和车宽测量方法。该方法先对相机进行标定,得到相机的内外参数。结合前车检测时得到的前方车辆在图片中的像素信息,相机的内部参数以及相机的离地高度,计算出前方车辆的车宽和距离自车的距离。接着,对图片中经过前车检测得到的车尾区域进行截取。在HSV颜色空间下,对车尾区域进行颜色分割,提取尾灯区域。利用VGG深度学习网络模型对尾灯区域进行分类,从而实现对前车尾灯灯语的识别,进而获悉前车的驾驶意图。最后,利用实验验证本文提出的方法。实验结果表明,使用该方法,前方车辆检测的确率为88.05%,在30米范围内,车距测量准确率不低于94.69%,车宽测量准确率不低于97.22%,尾灯灯语识别准确率达到86.7%。