本文针对传统车道识别方法在复杂路面中自适应能力差的特点,基于图像分割技术提出了一种基于全卷积神经网络与条件随机场的车道识别方法。该方法通过大量数据的训练,使神经网络模型可以识别出车道,并且再通过条件随机场使得分割出来的车道覆盖面积及车道边缘的处理更加完善。同时,本文为了解决高速公路中对检测实时性的高要求,设计了一个全卷积神经网络,该网络结构简单,只有13万个参数,并且做出如下三点改进:采用BN算法提高网络的泛化能力及收敛速度;采用了LeakyReLU激活函数取代了一般使用的relu或者sigmoid激活函数,并且采用Nadam作为网络的优化器使得该网络具有更好的鲁棒性;采用条件随机场作为后端处理解决车道边缘处分割不足并且加大了车道覆盖面积。最后本文为了解决城市道路检测中道路环境复杂的问题,利用FCN-16s网络模型加条件随机场的后端处理实现了复杂城市道路的识别。实验证明,在面对高速公路的高速及车道简单环境下,本文设计的网络模型更具有实时性且足够胜任车道的识别。在面对城市道路的复杂环境下,FCN-16s模型加条件随机场更能精确地识别出车道,并在KITTI道路检测基准上取得不错的结果。