交通安全一直是关乎国民生命健康的热议话题,先进驾驶辅助系统（Advanced Driver Assistance System,ADAS）能够在关键时刻为道路上的交通参与者提供安全保障。道路标识线的精准检测与分割,是实现辅助驾驶甚至完全自动驾驶较为关键的一环。不同于一般物体,道路标识线几何形状、颜色较为单一,同一个标识线在不同的影像数据中的体积差异较大,在不同角度下的形状差异也较为明显,加之道路环境场景多变,昏暗或者高眩光的场景会大大增加检测与分割的难度,这些问题一直都是道路标识线检测中的重点和难点。但现有道路标识线检测与分割算法并不理想,因此,本文针对这一热点问题开展研究。论文基于目前较为先进的Mask Scoring R-CNN算法进行改进,主要工作及创新点如下:（1）针对道路标识线识别速度慢以及不同类别、不同角度的标识线识别精度不高的问题,在主干网络中将常规卷积替换为可切换空洞卷积（Switchable Atrous Convolution,SAC）,并添加额外的可变形卷积（Deformable Convolutional Networks,DCN）。可切换空洞卷积减少了卷积操作中的参数,改善了像素信息冗余;可变形卷积的加入解决了同一物体在不同场景角度未知时,引起的检测难的问题。对比实验表明该方法能够更好的从特征图提取特征,对于不同形状角度的标识线识别更具有鲁棒性。（2）针对一些标识线体积较小且比较模糊导致的漏检、误检等问题,在特征金字塔网络（Feature Pyramid Networks,FPN）中增加自底而上的特征融合支路、特征聚合和增强模块。采用路径聚合网络（Path Aggregation Network,PANet）里的特征融合支路,旨在解决模糊路标与小路标所引起的特征少,且在处理过程中边缘特征丢失的问题,增强基于提议的实例分割框架中的信息流;而平衡特征金字塔（Balanced Feature Pyramid,BFP）主要解决道路标识大小不一,致使在特征融合方面会出现采样不平衡的问题。这两项改进能够更好的利用浅层的细节特征和高层的语义特征。文中采用了相同的真实场景在本文算法中和其它道路标识检测算法中进行了实验,并把实验结果进行了综合分析与对比,实验表明本文改进的道路标识线检测与分割的算法的性能优于其它算法。（3）针对实际道路中,高眩光以及低光照场景中识别精度低的问题,通过图像增强的方式对特殊场景进行数据的预处理。具体地,通过基于概率热图的数据增强与扩充方法,防止冗余的增强,使得增强的结果更符合真实世界的先验知识;通过Enlighten GAN的方法,对低光照场景中的暗处进行局部光照增强。对比实验表明了这两项改进可以从数据层面根本地降低特殊场景下的标识线识别精度不高的问题。上述所提出的三点均针对Cey Mo同一数据集进行实验,在（1）、（2）两部分工作中,整体算法识别精度达到了67.5%,提高了7.1%,其中对复杂场景的道路标识线和体积较小的道路标识线的检测效果提升较为明显,分割精度分别为提高了3.2%与4.1%。在（3）的工作中,数据处理前后的整体分割精度提高了10.6%。实验结果及数据表明,本文的方法可以较好地解决道路标识线的检测与分割问题,具有一定的理论与实际应用价值。