道线检测在车道偏离预警、自动驾驶等领域具有重要的作用。传统的道线检测根据特定的场景进行道路特征提取,因此在一定程度上难以应对复杂多变的道路环境。随着深度学习技术的快速发展,越来越多的研究者致力于面向深度学习的道线检测技术,拓展了道线检测的研究进程。本文利用深度学习技术分别对基于图像和基于视频的道线检测技术进行了研究,包括:（1）基于图像的道线检测技术。首先,通过聚类分析和人工标注的方式对公开的道线数据集CULane进行预处理;其次,通过切割算法把图片中细长的道线切分成若干个道线目标块,从而把道线检测问题转化成道线目标块检测;进一步地,利用基于多尺度的深度学习网络提取不同尺度的道线特征,根据有效感受野与锚点的关系设计具有针对性的锚点尺度,提出了锚点匹配策略校正锚点和目标框的匹配,以此提高道线检测的召回率;最后,使用最小二乘法进行线性回归,把预测框中心坐标回归成线,实现基于目标块方法的道线检测。（2）基于视频的道线检测技术。首先,在基于图像的道线检测基础上提出自适应关键帧技术,通过视频图像的清晰度来挑选视频序列中的关键帧;其次,利用循环神经网络提取不同视频帧之间的特征信息进行融合,加强视频帧间的信息传递;最后,基于注意力机制强调与道线相关的关键元素,实现更精准的视频道线检测。实验结果表明,本文提出的基于图像和基于视频的道线检测技术都取得了突破性的检测效果,有效地提高了道线检测的准确率。