随着科技水平的发展和人民生活水平的提高,自动驾驶技术备受关注。作为自动驾驶技术中的关键环节,道路检测在深度学习发展的驱动下获得了长足的发展。然而,现有算法仍然存在着较大挑战,如计算量较大,难以保证实时性,以及难以克服实际场景中光照较弱等复杂的情况。本文充分调研了道路检测以及相关领域的研究现状,对道路检测任务存在的问题展开了研究,主要工作内容和创新点可总结为以下三点:（1）本文设计了轻量级的道路特征提取网络。该网络可以高效地提取道路特征,仅需要极少的模型参数量和计算量。同时提出了一种细节补偿模块,利用尺寸较大的浅层特征补充边缘处的细节信息以及精确的位置信息,有效地改善了边界,缓解了道路边缘粗糙的问题。本文的算法在保持良好精度的前提下,使算法检测速度在Geforce RTX 2080Ti上达到37帧每秒,在现有算法中处于领先水平。（2）本文设计了一种新颖的相似特征强化模块。该模块通过计算特征之间的相似性,聚合包含道路信息的特征点,从而增强了特征中道路点的区分度,有效地提高了算法在较弱光线等复杂情况下的检测结果。该模块有助于解决现有算法的鲁棒性不足,难以应对各种复杂场景的问题。（3）基于本文的算法,搭建了一套轻量级的道路检测系统。针对道路检测任务的实际需求,该系统主要提供对图像的道路检测功能以及道路数据集的收集、标注功能。本文搭建的道路检测系统功能完善,提出的算法在多个数据集上取得较高的测试精度。特别的,在KITTI-road数据集上达到95%的精度,获得了国际领先水平。与此同时,在高精度的基础上,本系统同时具备速度快,模型体量小等优点,满足实际场景中的应用要求。