近年来,深度学习方法能够较好地解决了机器视觉任务中存在的许多困难,通过深度学习方法得到的预测结果具有更好的鲁棒性和泛化性。针对车道线图像成像过程易受到的噪声干扰和图像透视关系问题,设计了一种适合于车道线检测使用的图像预处理方法。首先,通过消失点位置提取道路图像的感兴趣区域,去除与道路无关的图像区域;其次,通过图像滤波器,滤去由于相机成像中易造成的噪声;最后,把车道线图像逆透视变换为俯视图,以消除图像透视关系造成的影响,提升检测精度和检测速度。为提高基于深度学习的车道线检测性能,结合图像预处理方法,在FCN网络的基础上,提出了一种基于改进Oct Conv的车道线语义分割算法。算法根据车道线图像特征明显和非车道线图像冗余的特点,采用Oct Conv将整体图像信息分为高频分量和低频分量进行车道线特征提取。然后,结合空洞卷积改善Oct Conv存在的图像信息丢失问题,实现对车道线图像的端对端检测,在保证车道线检测的实时性下,提高了检测准确率。为获得车道线的函数特性,根据车道线特征的几何特性,采用了最小二乘法的直线拟合的方式来拟合车道线并得到车道线函数,其在车辆遮挡、弯道、变道和阴影的道路场景图像上都获得较好的检测效果,所拟合车道线具有了无视车辆遮挡的能力。通过与其他算法进行实验数据对比,车道线检测的整体性能优于其他算法。实验数据表明,所提出的算法能有效地提升车道线检测性能,具有较好的拓展性。