低信噪比条件下的红外图像多目标检测问题一直是近些年来国内外学者研究的一个热门课题。目前,围绕这一课题已经发展了许多有实际意义的检测算法。由于红外图像本身背景复杂且目标状态多样,且信噪比太低而无法进行检测。因此,在对前人研究工作进行了分析讨论的基础上,根据红外图像的统计特性,本文以基于机器视觉的图像增强与障碍物检测为研究对象,提出了一种基于双向直方图均衡的区域图像增强算法和基于图像序列的运动目标检测技术。理论和实验结果表明,这些方法对于红外背景下的多目标检测是十分有效的。论文首先介绍了智能车辆在国内外的发展情况,并介绍了各大公司及研究机构的在智能车辆开发方面的成果和产品。介绍了机器视觉在辅助导航系统、自适应巡航控制系统、自动走停辅助系统、交通信号识别系统和辅助换道系统等智能车辆中的应用。最后介绍了上个世纪80年代以来机器视觉算法的发展状况。论文讨论了基于视频处理的图像增强技术。综合分析了各种图像预处理技术,并通过实验对比分析,研究出适合红外图像的图像增强算法。该算法首先根据我们感兴趣的目标确定增强区域,然后在该区域内对图像进行双向直方图均衡;在滤波后,又采用基于红外图像目标背景最大差距分割法对抑制了背景的红外图像加以进一步的处理,得到了仅含有少量可疑目标的二值化图像,从而为后面的序列图像检测方法提供了有利条件。论文提出了基于单目视觉的障碍物检测、识别和跟踪技术,构造了完整的车辆检测方案。本文提出了基于图像序列的运动目标检测技术,即根据目标运动的连续性和规则性,利用相邻帧中可疑目标之间的位置关系进行目标检测的方法,对前面处理过的二值图像进行了跟踪检测,并在实验中取得了比较理想的效果。采用有色噪声的卡尔曼滤波技术进行运动物体跟踪预测,从理论上证明了其准确性,并针对具体问题进行了实际的方程求解。实验结果证明了本方法的有效性。