随着经济的快速发展,城市交通网络日益庞大,交通流量迅速增长,交通拥堵和交通安全成为了一个待解决的难题。在创新科技的不断推动下,无人驾驶汽车技术突飞猛进,这被认为是未来解决这些交通难题的途径之一,也成为当前相关产业发展的热点。基于机器视觉的目标检测和路径规划是无人车系统框架中的两个重要模块,研究并实现无人车对交通标志的实时检测以及在复杂的环境中自主路径规划具有重要的实用应用价值和理论指导意义。针对无人车交通标志的检测问题,研究了多种基于回归的深度学习网络模型。在探讨了几种YOLO算法原理和主要技术的基础上,深入分析了 YOLOv3算法的技术优点。在Darknet平台下搭建了三种网络模型,针对构建的交通标志数据集开展了大量实验测试,验证了 YOLO算法可以一步实现图片中交通标志的定位和分类,基于多种目标检测评价指标进行对比分析,说明了 YOLOv3算法对七种常见的交通标志进行检测时具有很好的精确性和实时性。针对无人车路径规划问题,分析了快速扩展随机树(Rapidly-Exploring Random Tree,RRT)算法的不足,将目标指向的思想引入到基本RRT算法中,提出了一种基于目标的改进RRT无人车路径规划算法,缩短了规划路径的距离,提高了 RRT算法搜索效率。改进的RRT算法在全局搜索的过程中一直利用目标点的信息,在进行局部路径优化、全局路径优化和曲线拟合后得到一条安全、可行且满足车辆运动学约束的路径。通过仿真实验和实车测试,验证了算法的有效性和可行性。针对无人小车在实验室搭建场景下的自主运动,将基于YOLOv3算法的交通标志检测和基于目标的改进RRT无人车路径规划算法应用于无人小车实验。基于C++和Matlab/Simulink开发了相关程序实现了无人小车的交通标志检测和路径规划功能,针对不同场景在无人小车上进行了算法的联调实验,验证了所研究方法的有效性和可行性。