随着我国机动车保有量的不断增加,随之引发的汽车交通事故数量也在不断地攀升。自适应巡航系统作为汽车安全技术中重要的一环,在减少汽车交通事故方面起到了非常重要的作用。传感器作为汽车辅助驾驶系统的眼睛,可以说是整个汽车辅助驾驶系统中最为重要的部分,不同的传感器所能捕捉到的信息是不一样的。传统的自适应巡航系统采用的是毫米波雷达作为传感器,通常是针对一些直线行驶的特别典型路况设计的。所以为了解决复杂道路情况下自适应巡航的道路信息获取与距离测算问题,本文从成本方面最为有利的单目摄像头出发,经过深度学习与图像处理来获取前方多目标与车道线信息,然后通过线性摄像机模型来计算目标与自车距离,最后通过主目标识别来判断需要跟踪的目标。本文主要研究内容:（1）针对前方道路信息的识别,以摄像头作为载体,采用OPENCV的图像处理和YOLOv3的深度学习的方法来识别车道线与前方多目标信息。（2）采用线性摄像机模型来获取世界坐标系下车道线和多目标位置,通过线性摄像机模型的二维图像坐标与对应的大地坐标建立线性关系。通过求解坐标转换所建立的方程组来获得目标在世界坐标系下的坐标。（3）估计车辆尾部下边沿中心点来选取二维图像坐标系下识别目标的关键测距点坐标,然后通过坐标系之间的转换关系计算世界坐标系下所对应的坐标,最后根据该坐标计算出自车到目标车辆之间的距离。（4）通过研究线性摄像机模型的坐标系转换关系,设计了静态与动态两种不同情况下横向和纵向的测距实验。静态实验主要对比了测试点在世界坐标系下的横纵向真实距离和线型摄像机模型转换到世界坐标系下的横纵向计算距离。动态实验主要对比了在运动中不同精度传感器之间所测量目标的横纵向距离误差。（5）考虑在静态和动态情况下俯仰角的变化对测距模型的影响,分别提出在线标定和KALMAN滤波的方法来提高静态和动态情况下的测距模型的精度。