自动驾驶汽车环境感知中车道线检测占有很大的比重,车道线检测使用基于卷积神经网络的方法是自动驾驶汽车环境感知的重要研究方向。本文设计了一种卷积神经网络来完成汽车驾驶场景中车道线的检测与识别,并与本文构建的传统车道线检测方法进行对比,试验说明本文构建的卷积神经网络车道线检测方法准确性更高、鲁棒性更强。具体研究内容如下:首先建立本文卷积神经网络模型训练过程中所用的数据集。说明本文创建数据集的数据来源及数据标注工具,提出了本文道路图像的标注方法,以及将标注完成后生成的文件转换为满足本文数据集数据要求的方法,最后经过批处理转换为Tfrecord格式进行存储。然后搭建本文的卷积神经网络。首先对搭建卷积神经网络的软件环境进行配置,然后对卷积神经网络的整体进行设计使用编码器-解码器网络结构。本文设计的卷积神经网络的编码器网络是一个特征提取网络,选择Resnet34作为本文卷积神经网络的特征提取网络。解码器网络是一个二分支网络,二分类分支完成道路图像中车道线区域与背景区域的分割,像素嵌入分支为每一个像素初始化一个像素嵌入向量并做距离度量学习。使用Meanshift聚类算法对卷积神经网络的输出结果进行聚类,分割出不同车道线的像素点并打上相应的标签,通过曲线拟合、回归得到车道线检测结果。并且设计、实现传统车道线检测算法。对输入的道路图像进行感兴趣区域划分、灰度化、图像滤波等图像预处理方法进行图像预处理,然后使用自动阈值法进行车道线的划分,对划分出来的车道线进行曲线拟合。最后使用本文构建的传统的车道线检测算法与本文设计的卷积神经网络车道线检测算法进行实验对比,说明本文设计的卷积神经网络车道线检测算法准确性更高、鲁棒性更强。