近年来,随着深度学习进入高速发展期,无人驾驶技术也开展地如火如荼,国内外各机构对无人驾驶技术进行了广泛的研究。车道线检测作为无人驾驶技术中的一项基础工作,对于无人驾驶技术的发展至关重要。虽然近年来车道线检测技术的研究已经取得了较大的成就,并且在一些场景下也能获得较好的检测结果,但是复杂环境下的车道线检测仍然存在着检测精度低,耗时长的问题,且一直是无人驾驶领域中的挑战与难点,这一难点也在一定程度上制约着无人驾驶技术的发展。因此,对复杂环境下的车道线进行检测是非常有必要的。本文针对以上问题,基于卷积神经网络的方法对复杂环境下的车道线检测的实际应用问题进行研究,提出了一种端到端的深度学习模型,基于改进的语义分割网络——全卷积网络进行复杂环境下的车道线检测,有效克服了复杂环境变化对车道线检测的影响。论文主要开展的工作如下:首先针对现有公开数据集较少,场景不全面且标注方式不一的问题,本文根据所使用的检测网络,收集图像样本之后,使用图像标签标注工具Labelme对车道线区域进行标注,按照8:1:1的比例划分为训练集和验证集、测试集,用于模型的训练和学习中。针对现有的复杂环境下的车道线检测方法检测效率低的问题,本研究搭建基于语义分割的检测模型,将编码器-解码器结构的像素级分割网络作为本实验的基础网络,通过对比Alex Net、VGGNet、Res Net三种基础分类网络的检测性能,选取轻量级的VGGNet-16作为编码器结构的分类网络。为了提升解码器结构还原热图信息的能力,本文改进了反卷积过程,设计可学习参数的小步长卷积代替网络中的双线性插值还原方法。在保证检测速度的前提下,适量加深网络层数,以提升分类网络提取特征信息的能力,并设计并联跳跃连接结构以结合更多多维度信息且利于生成精确的车道线分割掩膜。实验中采取道路情况不佳容易致使神经网络学习过程产生误判的场景,例如雨天、雾天、黑夜、强光,用Dice＿loss损失函数替换传统的损失函数进行网络的监督学习,解决占原图像素数量较少的车道线与拥有较多像素点数的道路背景样本不均的问题。由本文实验可得,综合场景准确率从原始全卷积网络的82.3%提高到83.7%,单帧检测时间也从10.28ms降低到7.12ms。为了将复杂环境下的车道线检测算法应用到实际场景中,本文在改进算法的高效检测性能基础上设计了多功能车道线检测平台。平台以Lab VIEW软件为基础,创建一个包括有登陆界面、车道场景类别展示、普通算法检测、改进算法检测的多功能平台,实现了界面展示功能和车道线检测方法在复杂环境下的应用。综上所述,与原始全卷积网络性能相比,本文所提出的端到端的车道线检测算法可以更为有效地解决因为环境复杂所导致的车道线检测鲁棒性不高、实时性较差的问题,也为后续自动驾驶系统的发展提供一定的借鉴意义。