随着深度学习和人工智能技术的发展,辅助驾驶和自动驾驶成为了当前非常热门且重要的研究课题。无论是辅助驾驶还是自动驾驶,车道线检测都是其中极其重要的一环,是自动巡航、车道线保持等功能的基础依据。因此,找出一种准确、快速且鲁棒性高的车道线检测方法,不仅可以提高辅助驾驶和自动驾驶的安全性,也可以有效的减少交通事故的发生,提高驾驶的安全性,整体提高出行的质量。车道线的检测方法虽然已经有多种方法,但是车道线因其本身具有细长、空间位置跨度大、类型多种多样等特点,导致车道线检测仍是一个具有挑战性的工作,并且在实际的应用场景中下,车道线检测的效果也会因不同天气、不同光照、不同路况等原因导致检测的准确率和鲁棒性不高,不能满足当前实际的需求。针对目前车道线检测存在的问题,本文设计并实现了基于深度学习的车道线检测控制系统,实现了在多场景下对车道线的准确检测。具体的研究内容有以下四方面:（1）车道线数据集处理。本文使用的数据集是基于开源数据集CULane,首先对此数据集进行清洗和筛选,将无效数据、重复数据去除;然后针对各场景数据不平衡问题,对数据集进行一定的增强,最终确定下本文的数据集总量为52000帧图像,包含八种场景且各场景的数据量相等;最后将处理完的数据按照10:2:1划分了40000帧训练图像、8000帧验证图像和4000帧测试图像。（2）设计了一种车道线检测方法。本文结合使用基于深度学习的分割模型以及拟合操作,提出一种车道线的检测方法,并在本文中论证了此检测方法在八种场景下均可提升检测的精确率。（3）设计了车道线分割模型。本文使用的分割模型是在SCNN模型基础上进行改进得到的,在SCNN模型中加入了条形池化模块（SPM）,使其能够更好的检测类似车道线的条形物体。本文为了得到最佳的模型结构,将SPM模块添加的位置和个数作为实验的变量,一共构建了8个网络模型然后对比其效果,最后将效果最佳的网络结构作为本文最终的分割模型。（4）设计实现了曲线拟合模块。经过分割模型分割后,本文中通过增加拟合模块来对分割模型的分割结果进行后处理。为确定使用的拟合方法,本文中对比了多项式拟合和贝塞尔曲线拟合两种方法,最终经过结果对比确定本文使用贝塞尔曲线来进行拟合,得到最终的车道线检测结果。最后,通过实验证明本文设计的拟合方法可用于处理多种检测效果的情况。（5）设计实现了车道线检测控制系统。基于以上对分割模型和曲线拟合的研究,本文设计了车道线检测控制系统,包括摄像头控制、检测功能控制和存储功能控制三个主要功能,并对实现的系统进行了功能性测试和稳定性测试。本文通过改进分割模型和增加曲线拟合模块,提高了车道线检测的准确性和鲁棒性,最后实现的车道线检测控制系统,可配合辅助驾驶系统和自动驾驶系统使用,提高驾驶的安全性,具有重要的实际应用价值。