在传统逻辑业务已不能满足企业需求时,人们试图去寻找更多复杂、适应性强、跨度大的算法来解决生产生活的需求。在21世纪人工智能发展的浪潮下,机器学习,特别是深度学习,在无人驾驶领域的应用广泛,涉及到计算机视觉、通信、协同、控制等。现阶段的无人车算法需要更高的硬件配置,研发成本高,并且在研究过程中存在很大的安全隐患。为此,本文简化研究模型,重在研究关键技术,从多个角度切入,结合导航算法、高精度的避障算法、灵活的控制算法,实现一套基于视觉的巡航与自适应控制系统。主要工作如下:(1)出一种新的building-climbing视觉导航(BCVN)框架,其中在building过程中找到置信度高的基础边,climbing过程抵抗环境干扰,沿着基础边沿拓展新的平滑边沿,从而获得导航线。除此之外,设计了偏差及曲率的计算方法,偏差被用来控制车轮转向,曲率被用来调节速度。对于道路上的不规则障碍物,设计了CNN卷积网络与SVM相结合的方法来实现有效的避障。(2)对于转向控制方面,在传统PD算法上进行改良,通过引入分段P以及模糊微分D,在弯道转向时实现前预判。这保证了车头在弯道处具有较小的切入角,实现最短路径的过弯,也减小了抖动。对于速度控制方面,在传统PI算法上进行改良,加入补偿控制,来实现车辆的快速增速以及平稳。(3)完成车辆的硬件搭建,图像软件的调试及嵌入式软件的编写。对本设计的车辆视觉导航及控制系统进行各部分的软硬件性能测试。测试表明,系统运行状态良好,车辆在道路上行驶稳定。各方面的功能已经达到了设计要求。