无人驾驶智能车面向室外场景的自主环境理解是移动机器人自主环境适应领域的核心问题,良好的室外环境理解能力对其完成自主行驶任务至关重要。随着计算机视觉技术的不断发展和成熟,视觉系统对智能无人车室外环境理解的作用越来越显著。室外环境复杂多变并且有效信息匮乏,因此找到一种通用的鲁棒性高的环境理解方法颇具意义和挑战。本文设计了结合纹理和颜色信息的道路检测方法。采用Gabor滤波计算像素点的纹理方向,并基于纹理方向投票得到道路的消失点。通过消失点的约束并结合颜色信息检测道路边界,从而确定道路区域。此外还采用快速场景分割算法来初步估计可能的道路区域,从而避免了冗余信息的干扰。并采用Canny算子对投票像素点进行精简,大大提高了算法的效率。该方法在自主研发的Smart-Cruiser无人车采集的DLUT数据库上进行测试,在鲁棒性和实时性上都有很好的表现,证明该方法是一种通用的道路检测方法。本文针对更为复杂的室外场景,提出了一种基于条件随机场的结合上下文信息的环境理解方法对环境进行多标签分类。首先采用neanshift算法对图像进行分割,结合颜色、texton、纹理等特征,并且采用加入鲁棒的Pn模型的高阶势函数,构建了更为精确的CRF模型。论文使用由自主研发的Smart-Cruiser无人车采集的DLUT数据库和Sowerby、剑桥大学的CamVi d等公共数据库对算法进行测试,实验结果验证了本文所提方法的有效性和实用性。