随着技术的快速发展,自动驾驶正逐渐变为现实。无论对于辅助驾驶还是自动驾驶,使车辆利用传感器感知周围复杂环境是技术前提,其中车道信息的获取是重要研究内容。车道线不仅为车辆提供行驶路径信息,也提供精确位置信息。目前,车道信息多是利用GPS或者在基于传统机器学习的车道线感知的基础上经过曲线拟合而得到车道线检测结果。其中前者易受高楼等建筑遮挡影响产生多径效应,无法稳定获取精确的位置信息。基于传统机器学习的车道线感知算法多利用手工特征结合卷积滤波和Hough变换,易受光照等因素干扰,无法满足多场景鲁棒性感知。而目前基于深度学习的车道线感知算法大多运算复杂,不能满足真实场景的实时性需求。本文基于深度学习技术,提出一种可以达到实时性要求的算法模型,实现了车道线端到端的感知。同时,为了提高车辆定位精度,在深度学习算法模型中融入了实例分割技术,实现了车道线间级别的初定位并提出了一种快速的车道线精确位置估计算法,实现了车道线内级别的高精度定位。本文主要工作如下:首先,本文在现有深度学习算法基础上,采用一种基于编码器——解码器架构的深度学习分割网络模型对行车图像进行图像分割感知,并结合传统机器学习算法,实现车道线实例分割,得到感知结果并完成自车车道线级别的初定位,为接下来的精确定位做好准备。在网络模型中本文设计多种轻量化方法,减少网络参数和计算量以提高运行效率;采用多种网络性能增强策略,提高模型泛化性;使用聚类损失函数实现车道线实例分割。最后对算法进行了实验评估,结果表明本算法在实验平台上能实时进行端到端车道线感知。其次,为了获取高精度车道级位置信息,本文将车道线位置估计转化为深度学习易处理的分类任务,然后设计深度神经网络直接估计车道线位置。该方法不依赖繁琐的预处理、后期处理等,是一种端到端的解决方案。实验显示,该网络能在NVIDIA-1080平台上以平均200帧/秒的速度实现车道线位置亚厘米精度估计。最后,针对前视摄像头车道线感知检测和环视摄像头车道线位置估计的深度神经网络,分别扩充和建立了数据集,为以后基于深度学习技术的车道信息获取研究提供了有效数据支撑。