车辆检测和车道线检测在自动驾驶系统（ADS）的设计中起着至关重要的作用,近年来取得了显著的进步。目前车辆检测和车道线检测算法在白天环境下已取得良好的检测效果,夜间环境下的检测问题仍存在许多研究难点。由于夜间道路中存在光照干扰,部分道路区域灯光过暗,以及往来车辆车灯过亮等问题,车辆特征不明显,且夜间车辆存在互相遮挡的情况,远处小目标车辆较难检测,因此夜间的车辆检测仍然存在相当大的挑战。夜间车道线检测场景中,车道线会存在残缺、破损,易受到强光照和光照过分复杂等条件的影响,检测效果较差。为了解决上述夜间车辆和车道线检测过程中存在的问题,本文从夜间车辆检测和夜间车道线检测两个部分入手,提出了精度更高的车辆检测算法和车道线检测算法。本文的主要研究内容如下:（1）针对夜间车辆检测中存在的问题,设计了一种夜视环境下车辆检测算法。首先利用Attentive GAN网络对夜间道路图像进行处理,该网络由具有注意力模块的生成器网络和双判别器网络—全局判别器和局部判别器网络构成,用以平衡夜间道路图像中局部过暗和过曝区域。对处理后的图像利用改进的Faster RCNN网络进行进一步的检测,即在原始Faster RCNN的基础上,对分类和回归两部分进行改进。为了获得更高的检测精度,在回归分支中采用多元局部回归,预测多个边界框偏移,通过计算最终得到更加精确的预测框。改进的分类分支则利用区分性特征得到更高的分类分数。实验结果表明,本文的车辆检测方法在极暗环境、存在眩光、存在遮挡等一系列复杂场景下均展现了良好的检测性能。（2）针对夜间车道线检测中存在的检测精度低、车道拟合效果差等问题,提出了一种夜视环境下车道线检测算法。在车道线检测网络中,利用Attentive GAN网络对夜间道路图像进行处理,突出夜间道路中的车道线特征,同时利用Res Net-18网络进行车道线特征的提取,采用SCNN算法进行车道线的检测。实验证明,本文所提算法拥有良好的夜间车道线检测性能。