国家发改委2020发布的《智能汽车创新发展战略》指出,在新一轮科技革命和产业变革的推动下,智能汽车已成为全球汽车产业的发展方向。作为智能汽车的主要部分,自动驾驶系统是一项集成环境感知、逻辑推理和决策、运动控制等众多高新技术于一体的综合系统。在自动驾驶系统中,环境感知是保障车辆安全智能的关键环节,作为车辆环境信息获取的核心技术之一,车道线检测是引导车辆和路径决策的重要部分。当前,车道线检测最大的挑战是更高的车速意味着在保证检测准确性的同时要求更快的检测速度。因此本文围绕提升车道线检测精度和效率进行研究,主要完成车道线的高效率高精度和跟踪检测,基于嵌入式车载平台的模型部署研究。论文的主要研究内容如下所示:（1）针对车道线高效率高精度检测问题,本文基于UFSD-Net（Ultra Fast Structure-aware Deep Network）模型进行改进得到UFSD-T-S-Net模型,模型可分为T-Net和S-Net,在不同阶段进行使用。通过改进ENet局部结构作为T-Net主干网络,并使用SAD（自注意力蒸馏）模块来提升T-Net模型主干网络特征表达能力,同时对Classifier模块进行特殊设计,使得T-Net模型在Tusimple的检测精度达到了96.75%,而在CULane的F1-measure达到了73.1。通过采用知识蒸馏的方式对S-Net进行训练,使得S-Net主干网络的特征表达能力得到较大的提升,实验结果表明S-Net检测效率与UFSD-Net相差较小,而在Tusimple数据集上,S-Net检测准确率提升了0.5%左右,在CULane上F1-measure提升了3.7。（2）为了克服单帧图像特征信息不足,难以应对环境突变的问题,本文基于Fast Flow Net光流提取网络,引进了光流特征信息,通过改进S-Net模型为车道线跟踪模型Fast Flow S-Net,并通过重建Tusimple数据集对算法进行实验验证。为了与传统的跟踪方法相比较,本文基于车道线的关键点和KF（卡尔曼滤波）对S-Net检测结果进行校正得到S-Net-KF算法,实验结果表明采用Fast Flow S-Net使得SNet模型检测准确率提升了0.11%,而S-Net-KF仅仅提升了0.03%。（3）针对模型进行嵌入式车载平台移植问题,本文采用基于Tensor RT深度学习框架和多线程框架进行S-Net模型的部署,并通过对模型进行结构优化和量化压缩来提升模型的检测效率,实验表明,相较于FP32精度的S-Net,FP16精度模型的检测效率达到了130FPS以上,为FP32的3倍左右,而检测准确率在Tusimple数据集上仅下降了0.17%,而在CULane数据上的F1-measure指标下降了0.2。