随着计算机视觉技术的快速发展，近年来在世界范围内针对为驾驶员提供帮助的车辆驾驶辅助系统的研发蓬勃展开。车道线作为交通场景中一类重要目标，利用计算机视觉技术对其进行信息提取和检测在智慧城市的创建、智慧交通环境感知及车联网信息共享等方面有着重大理论价值和现实意义。尽管目前已经有大量工作投入到车道线检测研究中，但是雨雾天气、夜间等不利光照条件下的车道线检测仍然是一个难点，且树木阴影、路面污渍、车道线缺损会干扰车道线的检测，现有方法大多针对固定场景、限定了车道线的条数，弯曲路况的车道线拟合效果不佳。针对上述问题，本文在前人的工作基础上，深入研究了基于视觉的车道线检测所涉及的若干技术，包括车道线图像增强预处理、利用传统特征提取和深度学习算法实现车道线检测，主要工作如下：
　　首先，研究了一种基于Contourlet变换和改进Retinex算法的不利光照条件下的交通场景图像增强方法。首先，将图像变换到HSV颜色空间，对于夜间图像需要对V通道进行亮度提升然后进行反色处理；再将图像V通道经过Contourlet变换分解成高频分量和低频分量；利用阈值滤波对高频分量进行处理，以增强图像的细节，抑制噪声，同时采用改进的 Retinex 算法处理低频分量去雾，提升图像的对比度；最后通过 Contourlet 逆变换得到增强后的图像。实验结果表明，与经典的4种图像增强方法相比，该方法无论是在主观视觉效果还是客观评价指标上都更具优势。
　　其次，提出了结合累计概率Hough变换(Progressive Probabilistic Hough Transform, PPHT)和基于密度的聚类(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)算法的车道线检测方法。利用车道线的透视特性，对PPHT施加角度约束，去除虚假线段的干扰，再利用DBSCAN聚类算法对车道线参数在Hough空间进行聚类，使得不同斜率的线段聚成一簇，通过簇的核心点确定最终的车道线参数，与单一利用Hough变换的方法相比，该方法对车道线的逼近更精确，去除了干扰线段和虚假检测，并且该方法不需要对图像中待检测车道线的数量进行假设。
　　然后，针对直线模型对曲线车道线逼近效果不佳，而曲线模型计算量大、实时性差的问题，研究了一种直线-曲线相结合的分段模型。首先对图像中的候选车道线利用直线模型进行预检测，得到车道线消失点，根据消失点和车道线候选像素点的相对位置判断车道线是否弯曲，若是直车道线，则直接输出车道线检测结果，如果是弯曲车道线，则通过 RANSAC 算法对候选像素点拟合B样条曲线。实验结果表明，该方法对不同弯曲程度的车道线检测效果良好，对阴 影、路面污渍、车道线缺损及夜晚等不利光照场景均有较好的检测效果。
　　最后，通过融合 CNN 中间层级特征和顶层卷积映射图不同尺度的特征生成车道线特征描述，提出了一种基于多层级、多尺度卷积神经网络的车道线检测方法。由级联不同层级的卷积输出得到融合的多层级特征，用不同扩张率的扩张卷积(DilatedConvolution, DC)得到顶层卷积输出的多尺度特征，构建了一个多特征聚合(Mulit Feature Aggregation，MFA)编码器，利用深度可分离卷积(Depthwise Separable Convolution, DSC)代替标准卷积提高了模型速度，采用 Pixel Shuffle技术来进行上采样解码，用构建好的网络对图像进行有监督训练，然后用训练好的模型测试图像，得到车道线的检测结果。实验结果表明，与传统的车道线检测方法、SCNN 及文献[48]的方法相比，该方法对车道线的检测精度和效率更高。