车道线检测能够为车辆提供重要的路径信息,是智能驾驶环境感知的重要组成部分。近年来,深度学习的应用使得车道线检测性能得到了明显的提升。然而,在复杂场景下鲁棒且快速地检测车道线仍然是一个挑战性课题。本文提出了一种基于轻量级语义分割网络的车道线检测算法,并将该算法移植到体积小、功耗低的嵌入式SE3 AI平台上。本文的主要研究内容如下:（1）基于SFNet语义分割网络的车道线检测算法。通常,语义分割网络在特征融合过程中由于不同分辨率的特征图语义不对齐而造成对象边缘信息丢失。SFNet中基于语义流的特征对齐模块可以有效改善该问题。本文使用SFNet细化车道线分割边界,有效提升了分割精度。针对道路场景数据集中存在严重的正负样本不均衡和类间不均衡问题,使用在线硬例挖掘算法改进权重交叉熵损失函数,加强了分割网络对少样本的学习能力。通过使用轻量级的DF2骨干网络进行特征提取提高了算法效率。与基于ICNet的前期研究工作相比,在包含多种道路场景的百度Apollo Scape数据集上,本文提出的车道线检测算法将分割精度由67.1%m Io U提升至75.2%m Io U,分割速度由30 FPS提升至76 FPS。（2）基于改进RANSAC的车道线后处理算法。由于图像透视效应的影响,车道线形状近宽远窄,导致RANSAC拟合算法存在大量的无效迭代,算法效率低。本文均匀划分车道线候选区域使算法合理地迭代,并针对车道线拟合特点改进迭代终止条件和拟合方式,显著提升了拟合速度。与传统的RANSAC算法相比,改进后的算法将单帧耗时由2.56s降低至0.086s。最终,在百度Apollo Scape数据集上,车道线检测算法的准确率可达91.7%。（3）基于体积小、功耗低的嵌入式SE3 AI平台的车道线检测算法移植。针对移植过程中SE3 AI平台不支持某些复杂的深度学习算子,使用已支持算子对其进行功能替换。此外,合适的图像输入批量大小才能充分发挥硬件的计算资源。因此,通过实验优化模型计算图提高模型在SE3 AI平台上的推理速度。最终,车道线检测算法在SE3 AI平台上的推理速度由12 FPS提升至19 FPS。