智能驾驶辅助技术是人工智能时代具有重大意义的产物之一。驾驶员在驾驶车辆的过程中,可通过智能辅助驾驶系统以提前预警的方式接收即将到来的危险信号并采取必要措施,很大程度上可避免因驾驶员注意力不集中导致的交通事故。道路上的车道线是保障车辆安全行驶的重要指示标志,为推动智能驾驶辅助技术的发展,开展对车道线检测技术的研究具有十分重要的意义。现有的车道线检测方法应用于简单的道路场景下展现了显著的优越性。然而,实际道路场景错综多变,如阴影遮挡、车道线退化、道路拥堵等,现有的车道线检测方法在执行检测任务时很容易受到外界干扰,导致车道线位置无法被准确定位,从而危害主动驾驶的安全性。针对上述问题,依据卷积神经网络理论并结合车道线图像的特点,对车道线特征提取、分类、检测等关键技术进行研究。在现有的车道线检测方法的基础上提出了一种结合注意力机制和交叉卷积的车道线检测算法以及基于多帧输入的多尺度特征融合的车道线检测算法。本文的主要研究内容和创新点有:1.提出一种结合注意力机制和交叉卷积的车道线检测算法。该算法采用UNet作为车道线检测任务的主干网络,并对其进行改进。为避免随着UNet网络层数的加深,导致车道线边缘、轮廓等低级特征丢失,在UNet编码器低级特征的输出端引入交叉卷积以保留更多车道线结构信息。另外,UNet的跳跃连接结构在实现车道线信息传递时容易受到噪声和无用信息的干扰,为此,本文基于注意力机制的思想设计了一种特征优化模块（Feature Refinement Module,FRM）以强化车道线信息并抑制噪声和无用信息。将FRM分别嵌入到编码器各个阶段卷积层输出端与跳跃连接之间,对编码器各个阶段卷积层输出的包含多种语义信息的特征图进行优化。该算法采用公开的Tu Simple数据集对模型进行评估,其综合评价指标F1-measure高达90.98%,与基准线UNet相比,提高了6.53%,且检测速度快、实时性强。同时,在自制数据集上的测试结果表明该算法能够自动、高效地将车道线从复杂路面中提取出来。2.为减少退化路段车道线漏检现象,提出基于多帧输入的多尺度特征融合的车道线检测算法。车道线具有连续性,在拍摄的序列车道线图像中相邻两帧图像间包含的车道线信息有很强的关联性,在车道线被遮挡或破损等复杂路况下,可利用前几帧图像提取到的车道线信息预测当你前帧图像中的车道线位置。为此,该算法以多帧连续车道线图像作为模型的输入,使用基于Conv GRU的时空特征处理网络,利用其对时间动态的反馈机制和对图像表示的抽象能力,充分学习连续图像间的相关性,以获取更多车道线信息。为提高模型的特征表达能力,使用基于金字塔拆分注意力模块（Pyramid Split Attention,PSA）的特征增强方法对待检测图像中信息量大的特征表达式加强分配,并抑制无用的特征表达式,促使模型自适应的关注上下文中的重要区域。实验结果表明,该算法能够准确推断退化路段中缺失的车道线信息,缓解车道线漏检现象,并且该算法在自制数据集上的F1-measure相比于结合注意力机制和交叉卷积的车道线检测算法提升了2.88%,同时满足准确性和实时性要求,在智能驾驶辅助系统中具有较高的理论意义和实用价值。