纵观近年来自动驾驶汽车（或无人驾驶汽车）领域研究的热点和重点,几乎所有的科研工作都集中在检测、识别以及规避路面以上的事物（如建筑物,其他车辆,行人等）。针对这种情形,本文将研究主体转向了现阶段关注度比较少甚至于缺失状态的研究对象:路面异常,即路面自身的非健康状况。而在各类路面异常中,常见且威胁性以及破坏力极大地当属路面坑槽。故本文深入地开展了针对路面异常（坑槽）的检测和规避方法研究。从现有的基于图像的路面坑槽检测算法中,我们发现大量的文献要么是基于图像处理技术和阈值法或机器学习相结合的检测方法,要么是基于深度学习模型的检测算法。这就导致前一种方法的检测精度不尽人意,而后一种方法尽管检测准确率较高但有着检测模型极为复杂、样本集需求量大以及训练时间长等缺点。为了汲取两种检测方法的优点,本文开展了基于图像处理技术和深度学习模型相结合的检测方法的研究工作,并提出了基于计算机视觉的路面坑槽智能检测算法。该算法一方面依赖于图像处理技术从原始图像中提取潜在的ROI（Region of Interest:感兴趣区域）图像信息,另一方面依赖于基于深度学习的Alex Net坑槽检测器判断这些ROI图像信息是否是路面异常:即坑槽。通过测试数据的仿真验证,所提Alex Net坑槽检测器和基于计算机视觉的路面坑槽智能检测算法的准确率分别达到了98.42%和93.60%。针对路面异常（坑槽）规避方法的研究,本文参照了现阶段主流的避障解决方案,将路面异常的规避分为两步:即路径规划和轨迹规划。不同于绝大多数的路径规划解决方案（依赖于各种传感器并在惯性坐标系下进行）,本文依靠单目摄像头所拾取的局部图像信息并直接在图像平面下完了路径规划的任务。在这个过程中,我们还提出了两种新的基于单目摄像头的距离估计算法、一种新的车道线检测算法和基于椭圆的成本地图生成方法。正是基于这些要素,本文最终提出了基于图像的路径规划算法。通过图像标定的方式,得出了所提两种距离估计方法水平距离的估计误差率分别为3.32%和6.99%;而通过对来自模拟交通场景的图像所进行的仿真测试,验证了所提基于图像的路径规划算法的有效性。通过路径规划,能够得到规避路面异常的最优路径,而轨迹规划则是使智能车（或无人车）很好地跟随这条最优路径的保障。由于所提路径规划方法仅仅依靠的是单目摄像头所捕捉到的局部路况信息,故利用图像信息去估计智能车的位置和速度信息是十分困难的,也很可能失真。为了克服这个难题,本文提出了基于MPC的动态轨迹规划算法。相比于常规的基于MPC的轨迹规划方法,所提算法需要消耗更多的算力,而这也正是为了减少算法对各种传感器的依赖所付出的必要代价。此外,本文借助离散的、线性的单轨车辆运动学模型,以及通过对常规的基于MPC的轨迹规划方法的仿真分析和参数调试,为所提的基于MPC的动态轨迹规划方法在模拟实验测试时超参数设置提供了实质性的指导。为了验证所提路面异常规避方法整体解决思路的可行性和有效性,本文在实验室环境下模拟了路面异常和双向双车道的道路场景,并考虑了存在（模拟的）路面异常路况下的两种道路交通场景:邻道没有被其他车辆占据和邻道被其他车辆占据。最终,利用自行开发的智能小车测试平台,本文成功地验证了整体解决方案的可行性和有效性。