随着城镇化的加快和汽车保有量的增加,城市交通负担日益加重,为了避免车辆道路事故,保障驾驶的安全性,车辆驾驶辅助系统成为了新的研究热点。车道线检测能够有效地引导车辆行驶在正确的区域,车道线检测技术作为车辆驾驶辅助系统的核心,其检测的速度和精度十分重要。车道线检测的传统算法需要人工手动调节参数,工作量较大,泛化能力差,在面对复杂的交通环境时表现效果也很差。基于深度学习的车道线检测算法具有很强的代表性和学习能力,相比于传统算法而言具有较高的速度和精度。深度学习算法中基于分割的算法成为了主流,但是分割算法仍然存在一定的局限性。首先就是基于分割的算法需要对整张图像进行逐像素的提取特征,但是车道线在整张图像中只占据很小的一部分像素,采用分割的方法会导致计算量大大的增加,这样会导致检测的速度较慢,且基于分割的方法的感受野有限未利用全局特征,因此UFSA（Ultra Fast Structure-aware）算法应运而生。针对分割算法中计算量较大的问题,基于UFSA的算法提出了基于行的选择来进行车道线特征的提取,大大减少了模型的计算量,提升了检测速度。且还提出了新的车道损失用于建模车道点的位置关系,解决了车道线检测中无视觉线索的难题,因此该算法在车道线检测领域广泛的应用。而UFSA算法在网络卷积和池化时提取特征会丢失重要信息、边界信息不够敏感等问题,本文提出了基于改进UFSA网络结构和损失函数的车道线检测算法。在原算法分支中加入ASPP（Atrous Spatial Pyramid Pooling）空洞金字塔池化与FCANet（Frequency Channel Attention）频率域通道注意力的融合机制,本文定义为FCASPP（Frequency Channel Attention Spatial Pyramid Pooling）,该机制能够有效地在大感受野时,获取更丰富上下文信息并提取更有用和细致的特征而抑制噪声信息。本文还在损失函数中引入了L-Dice（Lane Dice Loss）函数,该函数比Softmax函数更加关注车道边界的信息,如颜色、纹理和照明等。通过在Tu Simple数据集和CULane数据集进行训练和实验,实验结果表明,本文提出的基于改进UFSA网络结构和损失函数的车道线检测算法与原模型相比,检测精度分别提高了0.21个百分点和1.7个百分点,速度达到了298.4FPS。针对改进UFSA算法模型在弯曲车道线检测的局限性,本文提出一种新的弯道结构损失Ladd,使其更加关注曲线特征,经过试验表明加入弯道损失后的模型比原模型对弯道检测效果更好,验证了本文提出模型的有效性。