汽车数量的持续增加导致了大量的交通事故，严重危害了人们的生命财产安全。为了减少交通事故的发生，使汽车具有自主避障预警能力成了计算机信息、人工智能技术蓬勃发展大背景下的一个研究热点和关键。本文以基于机器视觉的汽车自主避障研究为主题，研究内容主要围绕车道区域检测、障碍物检测与跟踪、避障方法与策略等几个方面。　　为解决汽车横向偏移问题，通过在 HSV 颜色空间中提取图像颜色特征，使用Canny边缘检测算子提取图像边缘，依靠图像颜色和边缘特征识别出车道线，并使用机器学习算法中的多项式拟合（Polynomial Curve Fitting）技术对车道线进行参数化，划定准确的车道区域并建立起汽车车道偏移距离模型。　　针对图像中的汽车障碍物，对图像的颜色直方图特征和梯度直方图特征（HOG）进行串联组合，并使用支持向量机（SVM）进行学习分类，最终获得了基于SVM的多特征串联的目标分类器，并与单一特征的分类方法进行对比实验。然后通过多尺度滑动窗口技术获取被检测图像的信息，并通过热力图删除误检测到的车辆障碍物，最后获取图像中的车辆障碍物及其准确的坐标位置。　　详细阐述了基于几何光学模型的单目视觉测距方法，计算出汽车障碍物距离。分析车辆制动过程，并针对前方车辆多种运动状态，建立了不发生碰撞的纵向安全距离模型。根据车道偏离距离和纵向安全距离模型制定了防碰撞多级预警策略，并且给出了基于机器视觉的汽车避障预警策略的整体流程和预警效果展示。　　实验结果表明，车道区域的提取完整、汽车障碍物的检测和追踪准确、预警策略安全可靠，说明本文提出的算法合理，具有一定的实际应用价值。