随着我国政治经济实力的快速提高,人们对生活质量的要求也越来越高,汽车等大宗消费品开始进入越来越多的普通家庭,但是随着汽车的广泛使用,也带来了空气污染加剧、石油资源大量消耗、交通事故频发、城市交通拥堵等一系列环境和社会问题,这些问题不断推动着自动驾驶汽车技术的发展。本文针对自动驾驶技术领域中涉及到车外环境感知的车辆检测和车道线检测部分进行了深入研究。分别设计检测算法实现了行车过程中前方车辆的检测和道路上车道线标识的检测,本文主要的工作和创新点如下:1、针对车辆目标检测,采用了改进HOG特征和SVM分类器的方法。在常规HOG特征的基础上,本文提出一种基于HSL色彩空间的三通道融合HOG特征方法,分别对H、S、L三个通道进行HOG特征提取,采用积分图技术加速HOG特征的提取过程,然后将三个通道的HOG特征进行加权融合,并采用PCA降维算法对融合HOG特征进行降维,以提高分类器检测速度。2、在车道线检测任务中,提出了一种基于深度学习的车道线检测算法。算法采用堆积沙漏网络对车道线进行关键点预测,然后将关键点进行连接完成车道线的检测。本算法的实现采用了模块化思想,使用深度可分离卷积设计了基本卷积层,并在此基础上构建了残差模块,由残差模块组成堆积沙漏网络。最后基于聚类思想,设计了嵌入输出分支,用于将预测的关键点划分到不同的车道线实例中。3、本文提出的车道线检测算法在Tusimple、CULanes、Caltech-lanes等公开数据集和Udacity自建数据集上进行了训练和测试。其中,在对数据集进行处理过程中,设计了CULanes数据集的标注信息的转换算法,将数据集的原始标签格式转换为Tusimple数据集格式,便于算法的训练和测试。最后与其他主流算法进行对比,实验表明本文提出的检测算法具有良好的性能。