车道线与车辆检测是自动驾驶环境感知系统中的重要任务,也是车辆后续路径规划、决策与控制的基础。卷积神经网络被广泛研究并应用于各种视觉检测任务的同时,也为智能车辆视觉系统的交通目标检测提供了新的途径。因此,基于卷积神经网络理论,研究出精度高、实时性高和鲁棒性强的车道线与车辆检测算法具有重要意义。建立了多场景车道线数据集,其中包含50,000张带有车道线注释的道路图像。针对车道线的细长线型属性,提出了基于关键点与梯度均衡损失的全局车道线检测方法。通过设计关键点表征完整车道线,构建了车道线分类与关键点坐标回归结合的车道线关键点检测模型,实现端到端的全局车道线检测。分析样本不平衡下网络训练存在的问题,设计了梯度均衡损失函数优化模型的性能。采用多项评估指标实验验证所提算法的有效性,结果表明,算法在多种驾驶条件下均具有较高的定位精度、鲁棒性与实时性。建立了道路交通环境车辆数据集,其中包含14,092张带有车辆注释的道路图像。研究了YOLOv3框架的多尺度预测结构与目标检测原理,提出基于YOLOv3网络的车辆检测方法。通过实验论证了模型参数对车辆检测性能的影响,包括输入图像尺寸、损失权重系数和负样本阈值,确定适用于车辆目标的模型参数。实验表明,最终的车辆检测模型在不降低处理速度的前提下,有效提高了检测精度。针对车道线与车辆检测的实时应用要求,提出了基于多任务网络的车道线与车辆联合检测方法。构建了由Darknet53基础网络、YOLO-Head分支网络和Lane-Head分支网络组成的多任务网络,在一个模型上同时实现车道线与车辆检测。采用全参数更新与独享参数更新结合的交替训练策略,在车道线与车辆数据集上进行网络多任务训练与测试,同时引入路面箭头标志识别任务,更进一步验证模型的多任务检测能力。实验表明,多任务网络的训练损失能稳定收敛,车辆检测性能稍低于YOLOv3模型,车道线检测性能与车道线关键点检测模型相当,增加检测任务并没有降低模型的多任务检测能力,充分验证了多任务网络结构与训练策略的有效性。相比于采用两个独立的网络模型,所提联合检测算法的速度性能提升39.61%,在自动驾驶工程中具有较高的实际应用价值。