车辆主动安全与辅助驾驶是目前热门的研究方向，其核心问题与难点在于汽车对周边环境的感知。很多研究人员关注于结合了激光雷达、微波雷达、惯导系统、全球定位、地理信息等多传感器融合的解决方案。然而，与人类视觉接近的可见光传感器，尽管难以准确获得深度信息，并且对于天气、光照极为敏感，由于应用场景的需要、以及成本低廉，依然是目前研究的热点。本文基于车载前向单目视觉，在城市半结构化道路场景中，结合空间与时间的联合上下文，对车辆前方的可行驶区域进行识别，对场景的相对深度进行了估计，并将相对深度和图像结合对道路场景进行了分割。　　本文首先针对车辆可行驶区域的识别问题展开了研究。由于道路结构与光照的复杂性，单纯的纹理特征无法对道路进行准确的识别，本文利用道路场景的空间上下文结构，提出了一种基于多尺度稀疏表达，并结合路面局部纹理特征的道路检测方法，大量的实验表明，该方法在各种复杂的道路场景，以及不同的光照环境下都取得了较好的效果。其次，在道路场景的理解过程中，深度信息具有重要的作用，但是单目视觉一般是难以提取深度信息的，本文利用车辆运动造成的前后帧视差，结合稠密光流，对场景的相对深度进行了提取，并对传统的光流方法进行了环切分层改进，以适应车载前向场景中剧烈的光流变化。在自然场景的测试中，该方法较好的提取了场景中的相对深度信息。最后，由于光照与纹理的复杂性，仅仅依靠空间上下文特征难以对道路场景中的车辆与行人进行准确的分割，因此，本文提出了一种基于相对深度特征的道路场景多分类方法，该方法利用了相对深度场提供的前后关系，以及对纹理与光照的不敏感性，并结合场景的视觉特征，对场景中的物体进行分类，该方法在较好的完成场景整体分割的同时，提高了对车辆与行人等场景中运动物体的分类能力。　　为了更好地对算法进行测试，本文还建立了一套基于国内道路环境，结合了多种道路状况与光照变化的车载前向多场景数据库，并对该数据库中的图片进行了多类别的人工标注。