车道线信息在汽车智能驾驶中占有重要地位，车道线边缘的检测和拟合数据为智能驾驶系统的安全运行提供了重要依据，其准确度和精度直接影响智能驾驶系统运行的安全性和可靠性。目前，在复杂环境下，传统的车道线检测方法的识别率和准确性较差，常常导致预警系统产生误警情况。本文针对复杂的结构化道路环境中预警系统不可靠的问题，为提高车道偏离预警系统的识别率和识别精度，从车道线的检测和拟合入手，主要研究内容包括以下几个方面：
　　1、在车道线图像预处理方面，提出了大尺度多方向融合的形态学滤波方法，显著提高了车道线与背景图片的分离程度，试验表明本算法处理的图片滤波有效率是传统滤波方式的三倍以上，大幅降低了噪声、保留了车道线。
　　2、在车道线检测方面，首次提出了基于车道线边缘平行特征的检测方法，能够完成对曲线车道的识别，以及在大量车道标识等复杂环境下的检测准确性，相比传统的检测方法，该检测方法在检测识别率方面有显著提升。
　　3、为提高车道线的拟合精度，采用改进型神经网络算法对非线性车道线拟合，考虑到车辆的实时性，引入了LM算法对标准BP神经网络进行改进，使其能够满足车辆实时性的要求，试验表明，相对传统线性拟合方法，该方法在拟合精度和车道线型适应方面有较大的提升。
　　4、为降低传统车辆预警系统产生误报的情况，提出了基于偏离修正的车道偏离预警方案，相对传统预警策略，该方案判断方法更简单，并且能延后预警时间，降低误报情况。
　　通过对图像处理算法的改进和对车道线特征的研究，本文完成了在复杂结构化道路中对车道线的准确提取和识别，通过改进型神经网络算法建立了车道线拟合模型，提出了基于偏离修正的车道预警方案，提高了车道偏离预警系统的准确性，降低了误报率。本研究对于复杂环境下行驶车辆的智能化研究具有一定的指导作用。