随着汽车行业的快速发展,自动驾驶成为近年来的研究热点,车道线分割以及道路检测是自动驾驶系统非常重要的研究领域。传统的车道线分割以及车道检测方法通常需要根据不同场景通过人工选择特征,难以应对复杂多变的道路环境。深度学习方法的广泛发展,加速了车道线分割以及道路检测的研究进程。因此,本文对基于深度学习的车道检测方法进行研究,主要包括车道线语义分割以及车道检测两个部分。首先介绍本论文涉及到的基础理论及相关技术,主要包括深度神经网络的前向、后向传播算法、激活函数、卷积以及池化等,以便为后续章节的研究内容做铺垫;其次为了改善目前的卷积神经网络在复杂环境下的道路分割精度较低的问题,基于编解码网络结构构建了车道线语义分割网络。针对普通卷积神经网络由于池化层的存在而造成细节信息丢失的问题,采用空洞卷积和空间金字塔池化相结合的方式,在增大感受野、不降低分辨率的同时融合多尺度的特征信息,以此提高网络的分割性能;并从损失函数、网络模块以及不同网络三个方面入手设计对比实验,以选取适用于车道线分割任务的损失函数、验证各网络模块对网络性能的影响并证明了该分割网络性能的优越性,即使在环境较为复杂甚至瞬时变化较大的情况下也能较为准确的分割车道线。最后针对目前单一的基于道路分割或基于车道线标记的车道检测方法在多车道检测任务中效果较差的问题,基于以上的车道线语义分割网络构建了一个多任务网络模型,该模型两个分支共享编码器,可同时实现车道线实例分割以及道路语义分割;然后设计了一种训练策略,实现各分支的交替训练,以确保不同分支训练的充分性;其次,提出了一种融合算法,将道路分割和车道线实例分割的结果进行融合,从而获得中心车道、以及相邻的左、右车道的检测结果。最后,分别从道路分割、车道线实例分割以及多场景多车道检测三个方面设计对比实验,验证该方案的有效性。