随着交通安全问题的日益严重,自动驾驶技术逐渐成为研究的热点。道路信息检测作为自动驾驶研究的基础变得尤为重要。消失点与车道线是道路信息不可或缺的组成部分,在相关研究中受到越来越多的重视。消失点为自动驾驶视觉感知系统提供了重要的判断标准。现有的消失点检测方法在速度和准确性方面仍然不能满足真实道路处理环境。本文提出了一种基于行空间特征的快速消失点检测方法。通过分析行空间特征,对行空间中相似的消失点进行聚类,然后对候选行中的消失点进行运动矢量筛选。结果表明,在各种光照条件下的驾驶场景中,归一化欧式距离的平均误差为2.37‰。唯一的候选行空间大大减少了计算量,使得实时帧率为86。车道线检测为车道偏离预警、保持辅助等模块提供重要的信息,保证行车安全。像素分割是车道线检测最常用的深度学习方法之一。虽然深度分割已成为主流,但是检测速度慢、感受野有限等问题依然存在。针对这些问题,本文提出了一种基于可学习聚类分割和自注意力机制的轻量级车道线检测算法。通过行分割下的像素对相似度匹配进行聚类,再引入自注意力机制降低背景像素的检测范围和比例,进一步显著降低计算成本。结果表明,在Tu Simple数据集上准确率达到97.15%,CULane数据集的F1得分为73.5,实时帧率为142.7,解决了聚类分割速度慢的问题,同时提高行分割的准确性。真车测试场景中,该算法对车道线检测点的误判率仅为6.7%。因此,本文提出的消失点和车道线检测算法具有极快的速度和良好的泛化性能,适应于各种复杂的实际场景,符合自动驾驶技术的高标准要求。