智能驾驶技术的三个组成部分别是感知、决策、控制,只有三大系统合理的分工协作,才能实现安全可靠的智能驾驶。感知系统是智能驾驶体系中最基本的一环,主要通过实时动态获取周围环境信息从而为决策和控制提供必要的保障。可行驶区域分割作为环境感知模块中的关键技术之一,对于自动驾驶的意义在于一方面可以提供当前车辆在路面中的相对位置,保证车辆在安全区域内行驶;另一方面为决策和控制模块提供有效可靠的感知信息,形成更加完善的安全行驶系统。本文以智能驾驶系统中的车道线检测以及可行驶区域分割作为研究内容,分别实现其单任务。针对城市道路中车道线易被遮挡、光照变化等情况,确立了基于row anchor的车道线检测方法作为基础框架。通过在开源数据集BDD100K上进行模型训练,并利用调优技巧提高网络性能,加入自建数据集对模型进行微调,提升泛化性,通过根据指标以及可视化结果验证车道线检测模型的有效性。根据实际场景需求确立了基于道路材质的可行驶区域分类标准,在双边分割网络Bi Se Net V2网络构架的基础上,通过分别更改细节分支和语义分支为Rep VGG结构来改进网络结构,并基于开源数据集Cityscapes和BDD100K以及自建数据集进行模型的训练优化,实现像素级别的可行驶区域分割。通过对现有的车道线检测及可行驶区域分割单任务技术缺陷的分析,本文以硬参数共享模型作为理论,提出了一种底层参数统一共享,在网络深层划分为不同的分支分别实现两个任务的多任务学习网络MTNet,并基于pytorch深度学习框架实现网络构架。通过搭建数据集并完成标签转换、数据增广等数据预处理工作,将其输入到多任务网络并通过调整超参优化模型,通过指标和不同天气不同时段的可视化效果评估最终模型的性能。实验结果表明,多任务模型MTNet的车道线检测分支和可行驶区域分割分支的指标相比于单任务模型都有一定程度的提升,在实时性和鲁棒性上都能达到预期的要求。综上所述,本文提出了一种基于多任务学习的车道线检测及可行驶区域分割方案,并进行了实验研究,对汽车智能化的实现有一定的实际意义。