车道线检测技术是指能够对采集自不同驾驶场景的车道线图片或影像进行分析、计算,以准确、高效地识别出车道线的技术,车道线检测是实现辅助驾驶的基本任务,研究车道线检测对车道保持、车辆跟驰等具有重要意义。近年来,学者们提出了许多车道线检测模型、方法及其实现,在复杂的驾驶场景下高效、稳定地检测车道线依然是一个开放问题。本文针对车道线二值分割问题和车道线实例分割问题分别提出了一种基于高精度语义分割网络的车道线检测算法和一种高效、稳健的车道线聚类算法,并集成两种算法实现高效、可信的车道线实例分割。本文完成的主要研究内容如下:（1）提出基于U-Net语义分割网络的车道线检测算法。U-Net网络结构具有严格的对称性,能够利用不同分辨率的特征图进行特征融合,以获取具有较高精度的车道边缘信息;针对车辆遮挡、车道线磨损、恶劣天气等复杂驾驶场景,分别提出在U-Net网络的基础上嵌入空洞空间卷积池化金字塔（ASPP）空间特征提取模块和长短期记忆卷积神经（Conv LSTM）时空特征提取模块,构建U-Net＿ASPP、U-Net＿Conv LSTM和U-Net＿ASPP＿Conv LSTM车道线检测模型,并在Tu Simple和乡村道路数据集上完成所研究模型的性能验证,用来衡量二值分割模型稳定性的指标为F1＿Score;性能验证结果显示U-Net＿ASPP模型的F1＿Score由U-Net的0.8128提升至0.8374,U-Net＿Conv LSTM模型的F1＿Score由U-Net的0.8128提升至0.8409,U-Net＿ASPP＿Conv LSTM模型的F1＿Score由U-Net的0.8128提升至0.8560。（2）提出基于像素向量域的车道线聚类算法。该像素向量亲和域聚类算法（Affinity Fields,AF）能够从正向采集道路视频帧的像素行底部逐行向顶部为每个车道线像素赋予水平和竖直向量,并通过向量之间的距离阈值完成类内聚合和类间分割,以实现车道线聚类。进而,基于像素向量域聚类算法本文提出了K-AF聚类优化算法,该算法利用每个相邻像素行之间车道线像素中心点连线的斜率变化,筛选出大于自定义阈值的关键行,并只为关键行中的像素中心点（突出点）赋予水平和竖直向量,从而实现运算效率优化。（3）集成高精度语义分割和像素向量聚类的车道线检测综合算法。论文集成了车道线二值分割算法和像素向量聚类算法。二值分割算法可作为独立分支,像素向量聚类算法的实现依赖于二值分割算法的分割结果,即利用U-Net＿ASPP＿Conv LSTM模型对车道线时空特征进行高精度提取获得二值分割结果,并由该二值分割结果为像素向量聚类算法提供车道线像素位置信息,再利用提出的K-AF算法完成车道线实例分割。本文提出的车道线检测综合算法能以更高的精度获取车道线的时空信息,在车道线二值分割任务中表现优秀;在近景像素聚类中像素向量聚类分支表现良好;在不给定车道线数量的情况下,能准确预测车道线数量且完成车道线实例分割任务。