随着社会经济的快速发展,各行业对机器视觉的依赖在逐年提升。因其能够提供直观、有效的分析方法,助力实现车辆的自动或辅助驾驶,机器视觉在智能交通系统和智能网联汽车领域获得了极其广泛的应用。在智能网联汽车的研究中,精确的车道识别可以辅助机动车及骑车者的自动跟踪;与机动车道不同,非机动车道往往在车道宽度、标记方式等诸多方面存在较大的差异。为此,本文专门针对多场景自行车道检测问题的复杂性和多态性进行研究,为自动驾驶系统或先进驾驶辅助系统（ADAS）的骑车者预警功能提供更为有力的辅助。当前国内外学术界和工业界利用传统算法及深度学习算法来检测和分割机动车道的研究很多,主要集中在釆用深度学习中的多级特征训练分类器来识别机动车道;相对而言,检测非机动车道的研究较少。非机动车道信息对于ADAS和自动驾驶汽车进行骑车者跟踪可以起到非常大的辅助与参考作用。当机动车靠近机动车道的边缘处或即将右转时,驾驶者稍不注意就有可能与进入视野盲区的非机动车碰撞,造成严重的事故。为了提高非机动车道的检测精度,本文分别利用K-means算法、霍夫变换和语义分割等方法对非机动车道进行检测,以期能有效地对目标区域的边缘进行提取并在感兴趣区域中识别出车道。本文的工作主要包括以下几个方面:首先,在运用K-means算法识别非机动车道的处理过程中,先对图像中非机动车道感兴趣区域进行提取,然后使用非局部平均去噪方法进行噪声去除,最后再基于K-means算法进行颜色识别以分割出所需要的非机动车道。在降噪方面叠加使用图像灰度级转换、开闭以及平滑操作,以改善图像的边缘信息。提取图像中车道线的轮廓边缘时,使用Canny算子对目标区域进行边缘提取。其次,对于弧度为0或者弧度较小的非机动车道,先要确定图像中可能的目标位置来提取感兴趣区域。基于行人视角和非机动车道的边缘特征,使用霍夫变换获得粗略的车道区域,最后利用最小二乘法拟合出非机动车道线。最后,使用卷积神经网络以语义分割的方法对多场景下的非机动车道进行检测,利用相应场景中的纵向空间特征,设计出特征融合模块和信息交流模块让模型能够更好地检测出不清晰和被遮挡的车道线,从而使模型在多场景自行车道检测中具有更好的鲁棒性。