近些年,智能驾驶系统越来越受到学术界和工业界的密切关注。全局定位是智能车在城市环境下进行自主导航时的关键环节,基于视觉的定位方法由于特征丰富、成本低,具有较好的应用前景。但是目前的视觉定位方法大多基于视觉特征进行定位,容易受到遮挡、光照变化的干扰,不具有鲁棒性,容易造成误匹配导致精度下降。因此本文提出一种将车道线、停车线、斑马线和箭头等具有语义信息的地面标志作为定位参照物进行全局定位的方法。针对传统基于规则的地面标志检测方法适应性不强的缺点,本文提出使用基于深度学习的语义分割方法提取地面标志,将其轮廓特征作为定位使用的特征,结合高精度GPS构建先验地图;在此基础上使用迭代最近点算法,将在线检测结果与地图匹配获得全局定位,并通过扩展卡尔曼滤波将定位结果与惯导里程计数据进行融合,提高了全局定位精度。实验结果表明该方法的鲁棒性更强,可以获得分米级的定位精度,可以满足智能车的定位需求,但是该方法需要车道级的横向初始定位。针对这一问题,本文提出使用基于深度学习语义分割方法提取道路边界,将道路边界与道路边界地图进行匹配获得车道级的横向定位初值。实验结果表明该方法可以为全局定位提供横向初始定位,同时提升了对于遮挡的鲁棒性。