随着汽车保有量的不断增加,道路交通安全问题也日益突出。车道偏离预警技术是高级辅助驾驶系统的重要组成部分,可以在驾驶员变道却未打转向灯或无意识的车道偏离情况发生时进行提醒,从而让驾驶员及时纠正驾驶方向,使车辆始终保持在安全车道内行驶,保证驾驶安全。传统的车道线检测方法精度不够高,基于深度学习的方法检测速度慢,无法达到实时性的要求。现有车道偏离预警模型较为复杂,计算繁琐,无法兼顾实时性和精度的要求。为了进一步提升车道偏离预警技术的先进性和准确性,本文重点开展了车道线检测和偏离预警算法等研究工作。（1）针对车道线检测中精度不高、检测速度慢等问题,提出了一种融合Transformer的车道线检测方法。利用改进的CSPRes Net网络提取低分辨率特征,实现了在保证精度的同时降低参数量,提升了检测速度;使用Mish激活函数加快网络收敛速度,提升了网络的求解性和泛化性;使用Ranger优化器对网络进行全局优化,提升了网络收敛性和稳定性。在Tusimple和CULane两个主流数据集上进行了实验,通过对比分析准确率、精确率、误检率、漏检率等评估指标,本文网络较主流深度学习网络在精度和检测速度上表现良好;对比传统阈值分割方法,本文方法对于复杂场景更为适用且精度更高。（2）针对偏离预警模型复杂不易实现、计算精度不高等问题,提出了一种融合偏离值和偏航角的车道偏离预警方法。通过相机标定及图形变换修正了畸变图像,利用逆透视变换获得了俯视视角下车道图像以更为精确测量偏离值;依据车道偏离预警模型的工作原理方法,对比分析现有模型的优缺点,提出使用偏离值和偏航角综合设定阈值完成预警模型设置,从而使模型在保证准确率的同时更为简单快速。（3）搭建了车道偏离预警实验平台。通过Pre Scan软件建立交通仿真实验驾驶环境,规划车辆车道偏离行驶路径,对比分析偏离值、偏航角以及预警等系统数据,结果表明本文所提出的车道线检测方法和车道偏离预警模型能够准确有效地进行车道偏离预警,保证驾驶安全。