近年来,随着计算机视觉和自动化等技术的迅猛发展,自动驾驶技术逐渐走入了大众的视野。安全性是自动驾驶首要关注的问题,安全性水平离不开自动驾驶系统环境感知的能力,而车道线检测是环境感知的一个重要环节。较好的车道线检测的性能是自动驾驶系统后续进行正确规划和决策的前提,也是自动驾驶稳定性和安全性的重要保证。然而传统的车道线检测方法在检测的准确率和鲁棒性等性能上往往表现不佳,现有的深度学习方法也存在着平衡检测准确性和时效性的需求。针对以上问题,本文提出了一种基于深度学习的车道线检测方法,具体的,设计了一种端到端的车道线检测框架,能够实现对于准确性和时效性的平衡;同时设计了一种基于自适应曲线拟合的透视变换矩阵预测网络;并且在车道线检测网络中采用轻量级的网络结构及模块,在提升检测准确率的同时充分考虑了时效性需求。本文主要工作总结为以下几点:（1）为简化车道线检测工作的复杂度,避免复杂的曲线拟合等后处理工作影响车道线检测任务的时效性,提出了一种基于端到端结构的车道线检测算法框架。该方法设计了两个网络,分别负责实现车道线的实例分割和预测特定车道线场景下的透视变换矩阵,并将两个网络相结合用于车道线检测的端到端实现,有效的解决了检测准确性和时效性难以平衡的问题。其中用于实现车道线的实例分割的网络以轻量级的双边融合语义分割网络为骨干,该网络采用深层网络和浅层网络相融合的方法,在准确性和时效性上均有优异表现,同时该方法采用实例分割检测分支将每条车道线进行区分,有更强的适用性,该车道线检测方法能够达到97.72%的Acc。（2）为得到更加准确的车道线检测结果,从预测图像的透视变换矩阵的网络入手,提出了一种基于自适应曲线拟合的透视变换方法。该方法根据车道线的形状特性不同,采用一种自适应拟合的思路,对弯曲程度不同的车道线进行分类,并采用相应的数学模型对其进行拟合,该方法对车道线形状有较强的适应性。（3）为了充分利用车道线长条形的形状特性,设计了一种基于混合池化模块的车道线检测方法。该方法采用水平和垂直条形池化相结合的方式,结合注意力机制的思想,能够充分利用场景中像素间远距离依赖关系。混合池化模块的设计结合了金字塔结构和条形池化模块的思想,充分利用了全局和局部信息。同时设置了混合池化模块的应用策略,在车道线检测网络的关键位置分别采用不同数量的混合池化模块,通过实验确定了最优策略,该策略能够带来0.73%的Acc提升。