随着经济的快速发展，行驶在公路上的车辆越来越多，交通事故导致的损失受到社会越来越多的关注。各种安全辅助驾驶系统在这种强劲的需求刺激下，相关理论及应用技术得到快速发展。以机器视觉的方式获取行车环境信息因具有较低的成本、直观等优势而受到越来越多的关注，车道线检测是无人自主驾驶汽车及辅助驾驶系统各种应用的关键技术之一，车道线是行车环境信息中最基础和重要的信息。本文对结构化道路下的车道线检测进行了研究。　　 首先，介绍车道线检测的应用需求、国内外车道线检测的研究及应用现状。分析了车道线的色彩、形态属性给出了车道线特征:车道线亮度局部最大、车道线具有固定宽度、同一路面上各条车道线相互平行及车道线变化平缓。基于这些特征先后介绍了透视变换、水平亮度微分基本理论，通过利用车道线局部亮度最大及车道线具有固定宽度的特征使用透视变换和水平亮度微分提取出车道线，理论和实验证明将这两个特征进行组合来实现车道线边缘的提取带来的计算量更小、滤除的无效信息更多，为后续处理降低了计算；对于提取出的车道线点本文使用标准Hough变换对其进行分段直线拟合；最后介绍本文针对车道线污损、不连续的虚线及无车道线情况下所使用的车道线跟踪算法并与常用的Kalman滤波器、粒子滤波器跟踪算法进行理论对比。并在Linux平台上使用OpenCV及GCC内置SIMD指令集实现了本文算法及演示系统，并进行试验和结果分析，实验表明本文所使用的方法在结构化道路下的车道线检测率最低为94.02％。　　 最后，对本论文工作进行总结，并对今后的工作提出一些想法。