近年来,随着智慧交通的发展以及自动驾驶的技术水平不断提高,行业内对高精度地图的生产与制作过程变得越来越规范化。正因如此,高精度地图已经成为智慧交通、自动驾驶等技术实现必不可少的条件。高精度地图可以看成是由动态数据层和静态数据层构成的综合地图,其中,动态数据层包括实时路况层和交通事件层,静态数据层包括数据更新层、交通设施层、车道层和道路层。道路交通标线是高精度地图的重要组成元素,正是由于它在高精度地图上的正确、完整表达,才能让驾驶员或自动驾驶车准确识别、安全行驶。道路交通标线可以大致分为线形道路交通标线和面状道路交通标线,目前对于面状交通标线的识别、分割均是利用它与路面在高线程的激光雷达点云中反射强度存在差异这一特性。但这种高线程激光雷达设备价格昂贵并且采集的点云数据量庞大,很有可能会因为设备性能、数量以及处理数据的时间冗长等问题影响高精度地图的生产效率以及后续对于地图的更新效率。因此本文利用成本较低、线程较低的激光雷达获取点云数据,并对于有无路缘石的道路分情况分割出道路面点云,之后与通过本文改进的Mask R-CNN算法处理后的图像进行融合,利用融合图像的提取道路交通标线的坐标信息。（1）关于图像分割部分,本文通过改进Mask R-CNN神经网络框架使之能够识别线型与面状道路交通标线。对于使用神经网络对车道线的检测已经日渐成熟,比如R-CNN、SPP-net、Lane Net等,都可以完成相比传统算法精度高、时间短的车道线检测,但这种神经网络只能单一的检测识别出图像中的线型道路交通标线。本文为了能够提升神经网络检测识别能力,将Mask R-CNN神经网络框架进行改进,加入融合注意力模块,并且对预测框的筛选算法进行调整,增强网络的识别目标能力。接下来,从知名的公开数据集中挑选部分图像构成实验数据集并在VGG-SS、Deep Lab v3+、传统的Mask R-CNN网络和本文网络中进行测试。最后用精确率（Precision）、召回率（Recall）、和F1值（F1 Score）指标对实验结果进行对比评价,结果证明本文所改进的神经网络结构可以在不同路况下对道路交通标线进行识别、提取。（2）本文针对不同道路种类,对于有无路缘石的道路设计道路面点云提取算法。首先将道路点云进行预处理,本文综合半径滤波算法和点坐标信息划定道路区域范围,剔除远距离噪点。预处理后,根据是否存在明显路缘石分情况提取道路面点云。对于有路缘石的道路点云,利用点云在路缘石处的高程突变特性,利用函数计算点云到平面模型的投影距离表达路面的起伏程度,确定合适阈值判断异常的点云块并根据z轴直方图找到路缘石点进行路面的分割。对于没有路缘石的道路,本文根据激光雷达点云的特性建立扇形栅格,并根据划分的环形区域按扫描线进行筛选。主要利用路面点云每条扫描线呈近似的圆形这一规整性,分区域计算点到中心的欧氏距离并设定阈值,超过阈值范围的视为非路面点进行剔除,最后将点云进行拼接,得到完整路面点云。实验结果证明了本文方法的有效性。（3）对于图像与点云融合提取道路交通标线部分,本文通过搭载激光雷达和单目相机的移动测量车采集实验场地的道路图像以及点云数据。对于相机获取的图像数据,将利用本文改进的神经网络对图像进行处理,将识别的结果标注到原图像上。对于激光雷达获取的点云数据,按上述点云处理算法得到每一帧的路面点云。然后,将相机与激光雷达标定,使得点云投影到图像上,并根据图像的目标信息进行点云的切割。最后,经过相应的矩阵变换,得到该实验道路上的道路交通标线的三维激光雷达坐标。